روشی جدید برای ناحیه بندی تصاویر ماموگرافی دیجیتال و طبقه‏ بندی تومورهای خوش‌خیم و بدخیم در سینه

ماموگرافی رایج ترین و ﻣﺆثرترین روش غربالگری برای تشخیص سرطان پستان است. در این تحقیق، یک سیستم کمکی برای طبقه‌بندی  تومورهای خوش خیم و بدخیم در تصاویر ماموگرافی دیجیتال ارائه شده است. در این روش ابتدا فیلتر میانه برای حذف نویز استفاده شده و سپس مصنوعات و ماهیچه ی پکتورال در صورت وجود حذف می‌شوند. برای ناحیه بندی ماموگرام و استخراج ناحیه‌های موردنظر ابتدا یک الگوریتم جدید برای افزایش تباین نواحی مشکوک ارائه شده است که از تفاضل بهبود یافته تصویر اصلی و مکمل آن بهره می‌برد، سپس الگوریتم خوشه بندی c میانگین فازی بر مبنای هیستوگرام به تصویر اعمال شده و ناحیه‌های موردنظر با دقتی مناسب استخراج می‌شوند. در مرحله ی بعد ویژگی های بافت و هندسی استخراج می شوند و در نهایت طبقه بندهای ماشین بردار پشتیبان خطی و درخت تصمیم برای دسته بندی ناحیه های موردنظر به دو کلاس خوش‌خیم و بدخیم، استفاده می شوند. سیستم پیشنهادی بر روی تصاویر پایگاه‌های داده ی mias و ddsm آزمایش شده است. نتایج به دست آمده نشان‌گر این است که دقت سیستم پیشنهادی در مقایسه با تحقیقات پیشین امیدوار کننده است.

A novel method for segmentation of digital mammogram and classification of benign and malignant tumors in breast

Mammography is the most common and effective screening method for breast cancer detection. In this paper a computer aided system for classification of benign and malignant tumors in digital mammogram is presented. First, a median filter is used for noise reduction, and then artifacts and pectoral muscle are removed to make the mammogram ready for segmentation. For segmentation of mammogram, a new contrast enhancement method is presented which employs the difference of two complement enhanced images and then a histogram based fuzzy Cmeans (HFCM) clustering are used for regionofinterest (ROI) extraction. Then, some geometrical and textural features are extracted, and finally linear support vector machine and decision tree classifier are used to classify the region of interest into benign and malignant classes. The proposed algorithm is validated on the MIAS and DDSM databases. The experimental results showed that the performance of the proposed method is promising compared to the other methods evaluated.