طبقه بندی تصاویر ترموگرافی برای تشخیص سرطان سینه بر اساس استخراج ویژگی ها، الگوهای محلی باینری و کاربرد شبکه های عصبی، ماشین بردار پشتیبان و نزدیکترین همسایگی

امروزه سرطان سینه یکی از رایج ترین انواع سرطان ها در میان زنان است که بیشترین آمار مرگ و میر زنانبه دلیل سرطان را به خود اختصاص می دهد. تشخیص زود هنگام این سرطان می تواند جان بسیاری را نجاتدهد. روش های بسیاری برای تصویربرداری سرطان سینه در مرحله تشخیصی وجود دارد. ترموگرافی یکی ازاین روش هاست که به وسیله ی یک دوربین مادون قرمز به ثبت دمای ناحیه مورد نظر می پردازد. این روشکاملا بی خطر بوده و نسبت به سایر روش های تصویربرداری سرطان سینه، مقرون به صرفه تر است. مطالعات وتحقیقات متنوعی بر روی تصاویر ترموگرافی سرطان سینه و استخراج ویژگی ها انجام شده است. برایپردازش این تصاویر، باید ابتدا تصاویر را به سطوح خاکستری تبدیل کرده و سپس از روی آن ها به استخراجویژگی ها پرداخت. استخراج ویژگی های آماری مانند میانگین، انحراف معیار ، آنتروپی و ... از روی سیگنالدمایی حاصل شده از تصاویر امکان پذیر است و با استفاده از شبکه ی عصبی به عنوان طبقه بند، دقت 60%حاصل می شود که نتیجه ی مطلوبی نیست. بنابراین باید از سایر روش ها برای استخراج ویژگی ها مانند الگویباینری محلی استفاده کرد که در این صورت نتایج حاصل از این ویژگی ها در طبقه بندهای مختلف از جملهشبکه عصبی و ماشین بردار پشتیبان، با دقت 100 % بدست می آید.

کلیدواژه ها:

تصاویر ترموگرافی ، سرطان سینه ، استخراج ویژگی ها ، الگوی محلی باینری ، شبکه عصبی ، ماشین بردار پشتیبان