استخراج ویژگی بافت بر اساس تبدیل موجک و ماتریس های هم وقوع سطح خاکستریGLCM برای تشخیص اسئوسارکوم با کمک روش درخت تصمم CT و شبکه هوش عصبی ANN

استئوسارکوم شایع ترین تومور بدخیم استخوان در بین کودکان و نوجوانان است. در این مطالعه، تجزیه و تحلیل بافت تصویر برای استخراج ویژگی های بافت از تصاویر CR استخوان برای ارزیابی میزان تشخیص استئوسارکوم انجام شد. برای به دست آوردن مجموعه بهینه ویژگی ها، تبدیل های موجک ۴Sym و ۴Db و ماتریس های هم وقوع سطح خاکستری(GLCM) با استفاده از روش های آماری برای به حداکثر رساندن انتخاب ویژگی، روی تصویر اعمال شد. برای ارزیابی عملکرد این روش ها از الگوریتم درخت تصمیم و شبکه عصبی استفاده شد. نتایج تجربی نشان داد که برای تمام ویژگی های استخراج شده تبدی ل موجک ۴Sym و ۴Db و ماتریس های هم وقوع سطح خاکستری(GLCM) با روش درخت تصمیم دارای دقت طبقه بندی بالاتری (۶۷.۸۴درصد) و شبکه عصبی دقت طبقه بندی بالاتری (۵.۸۵ درصد) برای وقوع استئوسارکوم در دیافیز داشت. نتایج شامل دقت، حساسیت، ویژگی و منحنی های ROC به دست آمده با استفاده از موجک ها همگی بالاتر از نتایج به دست آمده با استفاده از ویژگی های به دست آمده از روش GLCM می باشد. نتیجه گیری می شود که مجموعه ای از ویژگی های بافت را می توان از موجک ها استخراج کرد و در سیستم های تشخیص استئوسارکوم به کمک رایانه استفاده کرد. علاوه بر این، این مطالعه همچنین تایید می کند که تجزیه و تحلیل چند وضوح یک ابزار مفید برای استخراج ویژگی بافت در طول پردازش تصویر CR استخوان است.

کلیدواژه ها:

استئوسارکوم ، موجک ۴Sym و ۴Db ، ماتریس های هم وقوع سطح خاکستری(GLCM) ، روش درخت تصمیم ، و شبکه عصبی ، درخت تصمیم CT