تشخیص توده های سرطان سینه در تصاویر ماموگرافی به کمک کامپیوتر

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 878

فایل این مقاله در 10 صفحه با فرمت PDF و WORD قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

COMCONF03_262

تاریخ نمایه سازی: 6 اردیبهشت 1396

چکیده مقاله:

هدف از این تحقیق طراحی یک سیستم CADx (Computer Aided Diagnosis)جهت توصیف و تشخیص توده های سرطان سینه در تصاویر ماموگرافی است. سیستم طراحی شده دارای سه مرحله پیش پردازش، استخراج ویژگی و طبقه بندی است. مرحله ی پیش پردازش شامل حذف نویز و پس زمینه است. ویژگی های استخراج شده شامل ویژگی های بافتی به دست آمده از ماتریس هم رخداد و هیستوگرام توده و ویژگی های هندسی از جمله شاخص شکل، مساحت، محیط و تراکم توده است. از شاخص شکل بدست آمده از ماتریس هسین برای نقاط توده ی انتخابی به عنوان یک ویژگی موثر در طبقه بندی توده ها استفاده شده است. برای بهبود ویژگی های بافتی استخراج شده از ماتریس هم رخداد متعادل سازی هیستوگرام بکار گرفته شده است. 24 ویژگی استخراج شده از هر توده با استفاده از یک شبکه عصبی پرسپترون به دو کلاس خوش خیم و بدخیم طبقه بندی شده اند. بانک اطلاعاتی MIAS با 50 نمونه توده ی خوش خیم و 39 نمونه توده ی بدخیم در این تحقیق استفاده شده است. دقت بدست آمده برای طبقه بندی توده های تصاویر ماموگرافی بانک MIAS در سیستم طراحی شده 93/3 درصد است. نتایج بدست آمده از سیستم نشان دهنده امکان استفاده از آن در محیط های کلینیکی واقعی جهت افزایش دقت و سرعت تفسیر توسط رادیولوژیست می باشد.

نویسندگان

علیرضا نیک روان شلمانی

استادیار، دپارتمان کامپیوتر، دانشکده مکاترونیک، دانشگاه آزاد اسلامی واحد کرج، البرز، ایران

مژده کرمی محمدی

دپارتمان کامپیوتر، دانشکده مکاترونیک، دانشگاه آزاد اسلامی واحد کرج، البرز، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Chen z. (2013). Mammo graphic Image Analysis: Risk Assessment and ...
  • Papadopoulos, _ Fotiadis, D. I., & Likas, A. (2002). An ...
  • Al-Shamlan, H., & El-Zaart, A. (2010, April). Feature extraction values ...
  • Cheng, H. D., Shi, X. J., Min, R., Hu, L. ...
  • Meselhy Eltoukhy, M., Faye, I., & Belhaouar Samir, B. (2012). ...
  • Yasmin, M., Sharif, M., Mohsin, S. (2013). Survey Paper on ...
  • Valarmathi, P., & Ra dhakrishnan, V. (2013). Tumor Prediction in ...
  • Valarmathi, P., & Ra dhakrishnan, V. (2013). Tumor Prediction in ...
  • Buciu, I., & Gacsadi, A. (2011). Directional features for automatic ...
  • Vasantha, M., Bharati, V.S., Dhamodharan, R. (2010). Medical Image Feature, ...
  • S erifovic -Trbalic , _ Trbalic, A, Demirovic, D., Prljaca, ...
  • Sheshadri, H. S., & Kandaswamy, A. (2007). Experimental investigation on ...
  • Vasantha, M., Bharati, V.S., Dhamodharan, R. (2010). Medical Image Feature, ...
  • Basheer, N. M., & Mohamme, M. H. (2013). Segmentation of ...
  • Wang, T. C., Huang, Y. H., Huang, C. S., Chen, ...
  • Raba, D., Oliver, A., Marti, J., Peracaula, M., & Espunya, ...
  • Li, Q., Arimura, H., & Doi, K. (2004, June). Selective ...
  • Tan, T., Platel, B., Mus, R., Tabar, L., Mann, R. ...
  • Haralick, R. M. (1979). Statistical and structural approaches to texture. ...
  • Oliver i Malagelada, A. (2007). Automatic mass segmentation in mammo ...
  • Li, Q., Arimura, H., & Doi, K. (2004, June). Selective ...
  • Macia, O. (2012). Medical Image Analysis for the Detection, Extraction ...
  • Hassanien, A. E., Moftah, H. M., Azar, A. T., & ...
  • نمایش کامل مراجع