روش جدید آسیب‌شناسی توده‌ها در تصاویر ماموگرافی به کمک ترکیب ویژگی‌های منطبق بر استاندارد bi -rads و کلاسه‌بندی کننده مبتنی بر تضاد

تفکیک توده‌های خوش‌خیم و بدخیم در ماموگرام‌های دیجیتالی یکی از مراحل بسیار مهم تشخیص زودهنگام سرطان سینه است، چرا که می‌تواند تا حد زیادی شانس بقای بیمار را افزایش دهد. در این مقاله یک سیستم cadx نوین با به‌کارگیری کلاسه‌بندی کننده جدید مبتنی بر تضاد (owbp) جهت آسیب‌شناسی توده‌ها در تصاویر ماموگرافی معرفی خواهد شد. هدف، بهبود عملکرد و سرعت یادگیری الگوریتم‌های cadx با استفاده از ترکیب ویژگی‌های منطبق بر استاندارد birads و کلاسه‌بندی کننده پیشنهادی می‌باشد. ورودی سیستم یک roi بوده که حاوی یک توده مشکوک است. این ناحیه ابتدا تحت پیش‌پردازش‌هایی قرار گرفته، سپس 12 ویژگی که توصیف‌کننده‌های مناسبی از شکل، مرز و چگالی توده هستند، استخراج می‌شوند. منحنی roc و عملکرد آسیب‌شناسی حاصل از ترکیب تمام این ویژگی‌ها توسط دو کلاسه‌بندی کننده با یادگیری متداول پس‌انتشار و یادگیری پیشنهادی owbp ارزیابی شده و سیستم‌های حاصل از لحاظ سرعت یادگیری نیز مورد مقایسه قرار گرفته‌اند. همچنین در این تحقیق قابلیت آسیب‌شناسی هر گروه از ویژگی‌های شکل، مرز و چگالی به‌طور جداگانه بررسی شده است. پایگاه داده مورد استفاده در این تحقیق mias است. سیستم نهایی پیشنهادی دارای az 0.924، با سرعت یادگیری تقریباً 4 برابر سرعت یادگیری سیستم با کلاسه‌بندی کننده پس‌انتشار و همچنین عملکرد 92.86% می‌باشد.

A New Approach for the Diagnosis of Mammographic Masses Based on BIRADS Features and OppositionBased Classification

Fast and accurate classification of benign and malignant patterns in digital mammograms is of significant importance in the diagnosis of breast cancers. In this paper, we develop a new Computeraided Diagnosis (CADx) system using a novel Oppositionbased classifier to enhance the accuracy and shorten the training time of the classification of breast masses. We extract a group of Breast ImagingReporting and Data System (BIRADS) features from preprocessed mammography images and feed them to a MultiLayer Perceptron (MLP). The MLP is then trained using a new learning rule which we will refer to as the Opposite Weighted Back Propagation (OWBP) algorithm. We evaluate the performance of the system, in terms of classification accuracy, using a Receiver Operational Characteristics (ROC) curve. The proposed system yields an area under ROC curve (Az) of 0.924 and an accuracy of 92.86 %. Furthermore, the speed analysis results suggest that, with the same network topology, the convergence rate of the proposed OWBP algorithm is almost 4 times faster than that of the traditional Back Propagation (BP) algorithm.