تشخیص Microcalcification در تصاویر ماموگرافی با استفاده از مدل های ترکیبی یادگیری ماشین

میکروکلسیفیکیشن ها از مهم ترین نشانگرهای اولیه سرطان پستان هستند که در تصاویر ماموگرافی به صورت نقاط سفید و پراکنده با اندازه بسیار کوچک ظاهر می شوند. شناسایی دقیق این نواحی به دلیل شباهت با نویز و پیچیدگی بافت پستان، همواره یکی از چالش های اصلی در غربالگری سرطان پستان بوده است. در این پژوهش، یک چارچوب ترکیبی شامل پردازش تصویر و یادگیری ماشین به منظور تشخیص خودکار نواحی مشکوک به میکروکلسیفیکیشن ارائه شده است. مراحل این چارچوب شامل افزایش کنتراست موضعی با روش CLAHE، حذف نویز، استخراج ویژگی های هندسی و شدت روشنایی (مساحت، گردی، کشیدگی و میانگین روشنایی) و در نهایت خوشه بندی با الگوریتم K-Means است. به منظور ارزیابی عملکرد روش، از سه شاخص استاندارد خوشه بندی شامل Silhouette Score، Davies-Bouldin Index و Calinski-Harabasz Index استفاده شد. نتایج به دست آمده با مقادیر ۰.۶۷، ۰.۴۲ و ۱۲۸۷.۵۵ برای این سه شاخص به ترتیب، نشان دهنده توان بالای روش پیشنهادی در تفکیک نواحی مشکوک و غیرمشکوک است. این چارچوب ضمن حفظ سادگی و قابلیت پیاده سازی در محیط MATLAB، می تواند به عنوان پایه ای موثر در توسعه سامانه های تشخیص یاری رسان (CAD) در ماموگرافی مورد استفاده قرار گیرد.

کلیدواژه ها:

میکروکلسیفیکیشن ، پردازش تصویر ، خوشه بندی ، سرطان پستان.