بهبود تشخیص خودکار توده های خوش خیم و بدخیم در تصاویر فراصوت پستان با استفاده از یک روش قطعه بندی بهینه

سرطان پستان شایع ترین نوع سرطان در جمعیت زنان جهان است. تشخیص زودهنگام و درمان موثر با هدف کاهش مرگ و میر ناشی از این بیماری، از طریق روش های غربالگری انجام می شود. تصویربرداری فراصوت(اولتراسوند) به دلیل ماهیت غیرتهاجمی و مزایای آن نسبت به سایر روش های تشخیصی، از مهم ترین و موثرترین روش های شناسایی و تشخیص این بیماری است. به منظور بهبود عملکرد تشخیص، سیستم های تشخیص کمک رایانه‌ای معرفی شدند. در این پژوهش یک سیستم تمام خودکار شناسایی و تشخیص سرطان پستان ارائه شده است که متشکل از چهار مرحله اصلی است: پیش‌پردازش تصویر در دو گام جهت برجسته تر کردن نواحی کم پژواک(هایپواکو) و با هدف انتخاب نقطه بذر و ناحیه مطلوب و همچنین حذف نویز با استفاده از فیلتر میانگین های غیر محلی، قطعه بندی با بهره گیری از اطلاعات مکانی و فرکانسی تصویر و بهبود آن با استفاده از الگوریتم بهینه سازی ژنتیک، استخراج مجموعه ای شامل 21 ویژگی مبتنی بر شکل و مرز و در نهایت طبقه بندی با ا ستفاده از طبقه بند ماشین بردار پشتیبان به منظور تفکیک توده ها به دو گروه خوش خیم و بدخیم. نتایج ارزیابی های صورت گرفته بر روی تصاویر پایگاه های داده مختلف میزان دقت بیش از 95/5 % را نشان داد.

improving the automatic diagnosis of benign and malignant masses in breast ultrasound images using an optimal segmentation method

breast cancer is the most common type of cancer in the female population of the world. early diagnosis and effective treatment with the aim of reducing mortality from this disease is done through screening methods.ultrasound imaging is one of the most important and effective methods for the detection and diagnosis of this disease due to its non-invasive nature and its advantages over other diagnostic methods.computer aided diagnosis systems were introduced to improve diagnostic performance. in this study, a fully automated breast cancer detection and diagnosis system is presented, which consists of four main steps: image preprocessing in two steps to highlight the low echo areas (hypo echo) and with the aim of selecting the seed point and the region of interest. as well as noise removal using non-local means filter, segmentation using image spatial and frequency information and improving it using genetic optimization algorithm, extracting a set containing 21 features based on shape and boundary finally, the classification using the support vector machine classifier in order to separate the masses into benign and malignant groups. the results of evaluations performed on images of different datasets showed an accuracy of more than 95.5%.