تشخیص سرطان پستان با استفاده از ترکیب روش های یادگیری ماشین و بینایی ماشین در تصاویر ترموگرافی

سرطان پستان در سالهای اخیر در بین زنان افزایش یافته و یکی از شایع ترین علل مرگ و میر در زنان می باشد. مطالعات نشان می دهد که ترموگرافی، نسبت به سایر روش های تشخیصی، روشی سریع تر، ارزان تر، غیرفعال، بدون ریسک، بدون اشعه و درد است. روش های جدید در پردازش تصویر و بینایی، یادگیری ماشین سبب شده تا مطالعات موفقیت آمیزی به منظور ایجاد سیستم های تشخیصی سرطان پستان با بکارگیری تصاویر ترموگرافی انجام شود. در این مطالعه یک روش مناسب برای تشخیص آبنورمالی تصاویر ترموگرافی از نمای روبه رو ارائه شده است که با بکارگیری این روش تفکیک ناحیه سینه و همه نواحی مدنظر پزشک که برای تشخیص سرطان پستان ضروری می باشند، از ترموگرام ها جداسازی رنگی می شوند و نواحی پرحرارت ، با استفاده از الگوریتم fcm از تصاویر استخراج شده و به کمک آنالیز فراکتالی، بعد فراکتال این نواحی با استفاده از سه روش متفاوت محاسبه می شوند. مطالعات نشان می دهد که آنالیز فراکتالی به طور بالقوه می تواند قابلیت اطمینان ترموگرافی در تشخیص تومور را بهبود بخشد. جنبه نوآوری این مقاله بررسی نقش آنالیز فراکتالی، در ردیابی توزیع حرارت متقارن در دو بافت پستان در تصاویر ترموگرافی است. نتایج نشان می دهد که آنالیز فراکتالی نقش مهمی در ردیابی توزیع حرارت متقارن، در دو بافت پستان جهت بررسی عدم تقارن به منظور ردیابی ناهنجاری های پستان را دارد.

Diagnosis of Breast Cancer by Integrating Machine Learning and Machine Vision Techniques in Thermography Images

Breast cancer has increased among women in recent years and is one of the leading causes of death in women. Studies show that thermography is a faster, cheaper, passive, risk-free, radiation-free and pain-free method than other diagnostic methods. New methods of image processing, vision and machine learning have led to successful investigations into the invention of breast cancer detection systems by thermometric images. In the present study, a proper method of diagnosing abnormality through thermography images of the obverse view is presented. By this segregation method, the breast area and every other area targeted by the physician that is vital for breast cancer diagnosis are color-divided in the thermographs. Warmer regions known as vital centers are extracted by the FCM algorithm and the fractal dimension of these regions is calculated using three different methods. The Studies suggesting that fractal analysis may potentially improve the reliability of thermography in breast tumor detection. The innovative aspect of this paper is the study of the role of fractal analysis in tracking the symmetrical heat distribution in two breast tissues in thermographic images. The results show that fractal analysis plays an important role in tracking the symmetrical heat distribution in two breast tissues to investigate asymmetry in order to detect breast abnormalities.