ارائه روشی جدید برای آشکارسازی سرطان سینه در تصاویر ماموگرافی با استفاده از الگوریتم کرم شب تاب

سرطان سینه یکی از شایع ترین سرطان ها در بین زنان است. در بسیاری از مواقع، هیچ علائم آشکاری در بیماران مبتلا به سرطان سینه مشاهده نمی شود. تشخیص دقیق سرطان سینه در مراحل اولیه برای کاهش مرگ و میر امری ضروری است. ماموگرافی به عنوان یک روش استاندارد بیش از 40 سال است که در تشخیص بیماری های سینه مورد استفاده قرار گرفته است. برای جلوگیری از تجزیه و تحلیل های ذهنی تصاویر ماموگرافی توسط رادیولوژیست ها و افزایش دقت آشکارسازی سرطان سینه، سیستم های مبتنی بر هوش مصنوعی در سال های اخیر مورد توجه زیادی قرار گرفته اند. در این مطالعه با ترکیب الگوریتم کرم شب تاب و اعمال پیش پردازش های مناسب بر روی تصویر به آشکارسازی سرطان سینه در تصاویر ماموگرافی پرداخته شده است. در این مطالعه، از تصاویر ماموگرافی موجود در مجموعه داده ddsm استفاده شد. 3 معیار عملکردی صحت، حساسیت و دقت (%4/93، 91%، 95% ) برای تجزیه و تحلیل عملکرد تشخیص استفاده شد. اثر پیشنهادی در مقایسه با کارهای موجود در ادبیات عملکرد بهتری نشان می دهد

A new method for detection of breast cancer in mammography images using a firefly algorithm

Breast cancer is one of the most common cancers among women. Many times, no obvious symptoms were identified in breast cancer patients. Accurate detection of breast cancer at the earliest stage is very much essential to reduce mortality. Mammography has been used as a gold standard for over 40 years in diagnosing breast diseases. In recent years, artificial intelligence systems have been the focus of much attention in preventing the subjective analysis of mammograms and physicians by radiologists and enhancing the accuracy of breast cancer detection. In this study, combining the firefly algorithm and applying appropriate image processing to detect breast cancer in mammographic images has been investigated. In this paper, mammographic images in the DDSM dataset were used. Three performance metrics such as sensitivity, specificity and accuracy (93.4%, 91%, 95%) were used to analyze the detection performance. The proposed work shows better performance when compared to existing work in literature.