انتخاب ویژگی های موثر سیگنال های فرکانس رادیویی اولتراسوند خام به منظور بهبود طبقه بندی هوشمند ضایعات پستانی با استفاده از یادگیری ماشین

سرطان پستان رایج ترین نوع سرطان در زنان است. بیش از ۸۰% ناهنجاری های پستان در مراحل اولیه خوش خیم هستند. بنابراین تشخیص زودهنگام مهم ترین چالش برای درمان به موقع است. یکی از روش های غیرتهاجمی و زمان واقعی برای غربال گری سرطان پستان استفاده از سیگنال های فرکانس رادیویی اولتراسوند (US RF) است. این روش علاوه بر تمایز بافتی و مقرون به صرفه بودن، در مقایسه با روش­های دیگر نیازی به تجهیزات تکمیلی ندارد. این پژوهش با هدف ارائه ی رویکردی هوشمند برای طبقه بندی ضایعات خوش خیم، مشکوک و بدخیم پستان بر اساس ویژگی های موثر استخراج شده از سری زمانی US RF صورت گرفته است. مجموعه ی داده ی US RF ثبت شده با عنوان USRFTS شامل ۱۷۰ داده از ضایعات مذکور بوده که از ۸۸ بیمار به دست آمده است. روش پیشنهادی در این تحقیق شامل چهار بخش اصلی پیش پردازش، استخراج ویژگی، انتخاب ویژگی و طبقه بندی است. در مرحله ی پیش پردازش پس از بازسازی تصاویر B-mode از سری­های زمانی US RF ثبت شده، ناحیه ی دارای ضایعه (ROI) در هر تصویر B-mode توسط پرتوشناس به صورت دستی انتخاب شده است. در ادامه ویژگی های مختلف حوزه های زمان و فرکانس در مرحله ی استخراج ویژگی از هر ROI استخراج شده و پس از آن ویژگی های موثر با استفاده از روش کلونی مورچه انتخاب شده است. در نهایت دادگان با استفاده از طبقه بندهای ماشین بردار پشتیبان (SVM)، K-نزدیک ترین همسایه (KNN)، درخت تصمیم (DT)، تجزیه ی تشخیص خطی (LDA) و هم چنین روش طبقه بندی با مرجع (RCM) مورد ارزیابی قرار گرفته است. با توجه به نتایج به دست آمده بیشینه ی صحت طبقه بندی دوکلاسه و سه کلاسه به ترتیب برابر با ۹۵/۹۴% و ۳۳/۹۳% ارزیابی شده است.

کلیدواژه ها:

فرکانس رادیویی ، اولتراسوند ، تصاویر B-Mode ، سری زمانی ، طبقه بندی ، یادگیری ماشین ، ضایعات پستان