ارائه روشی جهت بهبود کیفیت تصاویر ماموگرافی مبتنی بر ترکیب تکنیک‌های کانتورلت و کرولت

با توجه به اینکه سرطان سینه تبدیل به امری معمول و رایج شده، تشخیص زود هنگام کامپیوتری جهت کاهش میزان مرگ و میر به امریضروری و چالش بر انگیز تبدیل شده است. از این رو در این پژوهش روشی مبتنی بر تکنیک های پردازش تصویر جهت بهبود کیفیت تصاویر ماموگرافی ارائه شده است. این پژوهش یک سیستم پزشکیار است که دارای دو مرحله پیش پردازش (استفاده از یکسان سازی سایز تصاویر و تعدیل هیستوگرام) و استخراج ویژگی (استفاده از تبدیل های کانتورلت و کرولت در تصاویر ماموگرافی دریافتی بیمار که شامل سه دسته ویژگی اصلی ریخت شناسی و بافت شناسی، آماری و دسته آ خر فرکانسی) جهت بهبود ارائه می دهد و سبب افزایش صحت تشخیصی می شود. برای شبیه سازی روش پیشنهادی مجموعه داده تصاویر دیجیتال ماموگرافی غربالگری mias استفاده شده و زیر مجموعه ویژگی های استخراج شده برای ورودی طبقه بند انتخاب و در نهایت جهت ارزیابی روش پیشنهادی از طبقه بندها و معیارهای مناسب استفاده می شود. در بخش آخر شبیه سازی روش پیشنهادی مبتنی برطبقه بندهای مختلف مورد ارزیابی قرار گرفت. بهترین نتیجه روی مجموعه داده، مربوط به روش پیشنهادی بود که میزان صحت 86.3 از خود نشانداد و به نسبت بقیه روش ها نتیجه مطلوب تری داشته است.

provide an approach the quality of mammography images based on a combination of contourlet and curvelet techniques

given that breast cancer has become commonplace, early computer detection to reduce mortality has become a necessity and a challenge. in this study, a method based on image processing techniques to improve the quality of mammographic images is presented. this research is a medical system that has two stages of preprocessing (histogram equalization and size equalization image) and feature extraction (the use of contourlet and curvelet transformations in mammographic images received from patients include three main categories of morphological and histological features, statistical and frequency.) for improvement and increases diagnostic accuracy. to simulate the proposed method, the mias digital mammography screening digital image dataset was used and the extracted feature subset is selected for the classifier input, finally, appropriate classifications and criteria are used to evaluate the proposed method. in the last part of the simulation, the proposed method based on different classifications was evaluated. the best result on the data set was related to the proposed method. the accuracy of the proposed method was 86.3 and it had better results than other methods