استخراج ویژگی‌های مناسب جهت تشخیص بیماری سرطان پستان با استفاده از تحلیل دینامیک تصاویر ترموگرافی

مقدمه: ترموگرافی یک روش تصویربرداری غیرتهاجمی است که می تواند جهت تشخیص سرطان پستان مورد استفاده قرار گیرد. در این مطالعه روشی جهت استخراج ویژگی‌های مناسب در تصاویر دینامیک ترموگرافی سینه ارائه شد. ویژگی‌های استخراج شده می‌توانند جهت طبقه‌بندی تصاویر ترموگرافی به سرطانی و سالم کمک کننده باشند.روش: در این مطالعه توصیفیتحلیلی تصاویر از پایگاه ‌داده پروژه آنلاین ic/uff استخراج شد. تعداد افراد مورد بررسی 196، شامل 41 مورد سرطانی و 155 مورد سالم بودند. هر فرد دارای 10 تصویر ترموگرافی که جمعاً تعداد تصاویر آنالیز شده 1960 تصویر ترموگرافی بود. این تصاویر با استفاده از دوربین flir thermacam s45 ضبط شد. مدل پیشنهادی بر اساس سلسله تصاویر ترموگرافی پستان یک فرد جهت استخراج 8 ویژگی مناسب ارائه ‌شد. ویژگی‌های استخراج ‌شده شامل میانگین، انحراف معیار، آنتروپی، کورتوسیس، همگنی، انرژی، اسکوئنس و واریانس است.نتایج: عملکرد ویژگی‌های استخراج‌شده، توسط طبقه‌بندکننده‌های شامل درخت تصمیم، ماشین بردار پشتیبان، تجزیه‌وتحلیل متقارن درجه دوم و الگوریتم k نزدیک‌ترین همسایگی با استفاده از cross validation ده‌گانه مورد ارزیابی قرار گرفتند. مقادیر دقت و حساسیت به ترتیب، بر اساس الگوریتم‌های درخت تصمیم 99%، 99/33% و ماشین بردار پشتیبان 98/46%، 95/12% و تجزیه‌وتحلیل متقارن درجه دوم 100%، 100‌% و الگوریتم k نزدیک‌ترین همسایگی 99%، 97/56% به‌دست ‌آمد.نتیجه‌گیری: نتایج نشان داد که از میان ویژگی‌های آماری مرتبه اول، میانگین تفاوت، چولگی، آنتروپی و انحراف استاندارد ویژگی بسیار موثری هستند که بیشتر به تشخیص عدم تقارن کمک می‌کنند. ویژگی‌های استخراج‌شده با استفاده از مدل پیشنهادی می‌توانند در طبقه‌بندی افراد سالم و سرطانی در تصاویر حرارتی بسیار کمک ‌کننده باشند.

Extraction of Suitable Features for Breast Cancer Detection Using Dynamic Analysis of Thermographic Images

Introduction: Thermography is a noninvasive imaging technique that can be used to diagnose breast cancer. In this study, a method was presented for the extraction of suitable features in dynamic thermographic images of breast. The extracted features can help classify thermographic images as cancerous or healthy.Method: In this descriptiveanalytical study, the images were taken from the IC/UFF database. A total of 196 people, including 41 cancer patients and 155 healthy individuals were investigated. Each person had 10 thermographic images and in total, 1960 images were analyzed. The images were captured using the FLIR ThermaCam S45 camera. The proposed model was presented based on a series of breast thermographic images of an individual to extract 8 suitable features. The extracted features included mean, standard deviation, entropy, kurtosis, homogeneity, energy, skewness, and variance.Results: The extracted features were evaluated by the classifiers including the decision tree, support vector machine, quadratic symmetric analysis, and Knearest neighbor algorithm using the tenfold cross validation. The accuracy and sensitivity were 99% and 99.33% for decision tree algorithm, 98.46% and 95.12% for support vector machine algorithm, 100% and 100%, and 99% and 97.56% for Knearest neighbor algorithm.Conclusion: The results of this study showed that among the firstorder statistical features, mean difference, skewness, entropy, and standard deviation are the most effective features which help to detect asymmetry. The features extracted by the proposed model can help classify the individuals into healthy or canceraffected by thermal images.