بهبود تشخیص سرطان سینه با استفاده از الگوریتم های هیستوگرام فازی شهودی و خوشه بندی فازی احتمالی توسط کاهش ویژگیهای بافتی براساس طبقه بندی تصاویر ماموگرافی

در طی 20 سال گذشته اعلام شده است که سرطان سینه به عنوان یکی از دلایل اصلی مرگ در میان زنان دیده میشود. سونوگرافی، اشعه ایکس (ماموگرافی و توموگرافی کامپیوتری اشعه ایکس)، تصویربرداری رزونانس مغناطیسی، توموگرافی، روشهای مختلفی برای تشخیص سرطان پستان در مرحله اولیه است. این مقاله، اجرای دیجیتال یک مدل را بر اساس هیستوگرام فازی شهودی و الگوریتم خوشه بندی فازی برای تشخیص سرطان سینه پیش بینی میکند. خوشه بندی فازی کلاسیک، داده ها را به خوشه های چندگانه در سطوح مختلف عضویت اختصاص میدهد، اما داده های نامناسب نیز به برخی از خوشه های مرتبط با آنها اختصاص مییابد. در روش پیشنهادی، پس از پیش پردازش اولیه در تصاویر ماموگرافی به خوشه بندی فازی احتمالی تصاویر ماموگرافی پرداخته شده است. پس از آن، ویژگی بافتی استخراج میشود که برای کاهش ویژگی و نرمال سازی داده ها از PCA استفاده شده است. درنهایت، از طبقه بندی شبکه عصبی((ANN برای تشخیص وجود تومور سرطانی در تصاویر ماموگرافی استفاده شد. نتایج آزمایشها در این روش نشان میدهد که صحت طبقه بندی توسط این روش برابر 99,21 است و همین امر نشان دهنده برتری این روش نسبت به سایر روشها است.

کلیدواژه ها:

تصاویر ماموگرافی ، خوشه بندی فازی احتمالی ، ویژگیهای بافتی ، طبقه بند شبکه عصبی