یک روش هیبریدی جدید جهت قطعه‏‎بندی و تشخیص تومورهای موجود در تصاویر ماموگرافی بافت پستان

مقدمه: سرطان پستان یکی از شایع ترین بیماری های زنان است. شناسایی و مرزبندی توده ها و تشخیص تومورهای موجود در بافتپستان از چالش های جدی در تشخیص این سرطان است. در حال حاضر ماموگرافی، متداول ترین راه تشخیص تومورهای موجود در پستانمی باشد که عدم شناسایی صحیح مرز توده ها در آن می تواند منجر به تشخیص یا نمونه برداری نادرست از بافت پستان شود. هدف اینمقاله، معرفی یک روش هیبریدی هوشمند جدید برای شناسایی و مرزبندی تومورهای پستان در تصاویر ماموگرافی است که تشخیصخودکار خوش خیم یا بدخیم بودن تومور را تسهیل کند.که شامل 150 تصویر ماموگرافی حاوی تومورهای خوش خیم و 150 ddsm روش بررسی: در این مطالعه از داده های پایگاه دادهتصویر ماموگرافی حاوی تومورهای بدخیم است، استفاده شد. پس از حذف نواحی اضافی مانند پس زمینه، با قطعه بندی تصاویر ماموگرام برمبنای هیستوگرام تصویر و ترکیب تبدیل موجک و الگوریتم ژنتیک و نیز مورفولوژی ریاضی مرز تومور استخراج شد. همچنین علاوه برالگوریتم ژنتیک، الگوریتم های بهینه سازی کلونی مورچگان و بهینه سازی ازدحام ذرات نیز برای قطعه بندی تصاویر ماموگرافی مورداستفاده و مقایسه قرار گرفتند.یافته ها: الگوریتم هیبریدی پیشنهادی صحت خوب و سرعت بالایی در قطعه بندی تصاویر ماموگرافی جهت تشخیص تومورهای پستاندارد. برای طبقه بندی تومورها، قطعه بندی با استفاده از الگوریتم ژنتیک نسبت به الگوریتم بهینه سازی کلونی مورچگان و بهینه سازیازدحام ذرات صحت بالاتری دارد. مرزبندی تومورهای شناسایی شده در تصاویر حاصل از قطعه بندی با الگوریتم هیبریدی پیشنهادی،91 % (طبقه بندی به دو دسته خوش خیم و بدخیم) شده است که مطلوب است. / منجر به صحت طبقه بندی 4نتیجه گیری: الگوریتم هیبریدی پیشنهادی، الگوریتمی سریع و کارآمد برای قطعه بندی تصاویر ماموگرافی و مرزبندی تومورهای پستاناست. نتایج این مطالعه نشان داد که اولا روش هوشمند ارایه شده، دارای صحت مناسب جهت کمک به تشخیص رادیولوژیست ها و تاحدودی حذف مرحله نمونه برداری از بافت پستان می باشد. ثانیا بین سه الگوریتم ژنتیک، بهینه سازی کلونی مورچگان، و بهینه سازیازدحام ذرات، الگوریتم ژنتیک منجر به صحت بالاتر طبقه بندی تومورها می شود.