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

سرطان پستان رایج ‌ترین نوع سرطان در زنان است. بیش از 80% ناهنجاری‌های پستان در مراحل اولیه خوش‌خیم هستند. بنابراین تشخیص زودهنگام مهم‌ترین چالش برای درمان به موقع است. یکی از روش‌های غیرتهاجمی و زمان واقعی برای غربال‌گری سرطان پستان استفاده از سیگنال‌های 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 ارائه‌ی رویکردی هوشمند برای طبقه‌بندی ضایعات خوش‌خیم، مشکوک و بدخیم پستان بر اساس ویژگی‌های موثر استخراج شده از سری زمانی us rf صورت گرفته است. مجموعه‌ی داده‌ی us rf ثبت شده با عنوان usrfts شامل 170 داده‌ از ضایعات مذکور بوده که از 88 بیمار به دست آمده است. روش پیشنهادی در این تحقیق شامل چهار بخش اصلی پیش‌پردازش، استخراج ویژگی، انتخاب ویژگی و طبقه‌بندی است. در مرحله‌ی پیش‌پردازش پس از بازسازی تصاویر b-mode از سری­های زمانی us rf ثبت شده، ناحیه‌ی دارای ضایعه (roi) در هر تصویر b-mode توسط پرتوشناس به صورت دستی انتخاب شده است. در ادامه ویژگی‌های مختلف حوزه‌های زمان و فرکانس در مرحله‌ی استخراج ویژگی از هر roi استخراج شده و پس از آن ویژگی‌های موثر با استفاده از روش کلونی مورچه انتخاب شده است. در نهایت دادگان با استفاده از طبقه‌بندهای ماشین بردار پشتیبان (svm)، k-نزدیک‌ترین همسایه (knn)، درخت تصمیم (dt)، تجزیه‌ی تشخیص خطی (lda) و هم‌چنین روش طبقه‌بندی با مرجع (rcm) مورد ارزیابی قرار گرفته است. با توجه به نتایج به دست آمده بیشینه‌ی صحت طبقه‌بندی دوکلاسه و سه‌کلاسه به ترتیب برابر با 94.95% و 93.33% ارزیابی شده است.

selection of effective features from raw us rf signals to enhance intelligent breast lesion classification using machine learning

breast cancer stands as the most prevalent form of cancer among women, with over 80% of early-stage breast abnormalities being benign. timely detection is therefore crucial for prompt intervention. ultrasound radio frequency (us rf) signals represent a non-invasive, and real-time screening method for breast cancer, offering advantages in tissue differentiation and cost-effectiveness without requiring additional equipment. this research aims to present an intelligent approach for the classification of benign, suspicious, and malignant breast lesions based on effective features extracted from the time series. the dataset, registered as usrfts, comprises 170 instances recorded from 88 patients. the proposed methodology encompasses four key phases: pre-processing, feature extraction, feature selection, and classification. in the pre-processing phase, b-mode images are reconstructed from us rf time series, and a radiologist manually selects the region of interest (roi) in each image. subsequently, diverse features in the time and frequency domains are extracted from each roi during the feature extraction stage. the ant colony method is employed for the selection of impactful features. the dataset is then subjected to evaluation using classifiers such as support vector machine (svm), k-nearest neighbor (knn), decision tree (dt), linear discriminant analysis (lda), and a reference classification method (rcm). the results demonstrate a maximum classification accuracy of 94.95% for two classes and 93.33% for three classes.