یک روش جدید بر روی تجزیه بافت برای طبقه بندی تشخیص خودکار میکروکلسیفیکیشن سینه تصاویر ماموگرافی

برنامه های غربالگری از ماموگرافی به عنوان ابزار تشخیصی اولیه برای شناسایی زودهنگام سرطان پستان استفاده می کنند. هدف از انجام این کار، امکان سنجی جداسازی اتوماتیک تصاویر میکروکلسیفیکیشن های بافت پستان و همچنین ارزیابی دقت آن با استفاده از به کارگیری دو تکنیک بهبود تصویر و برجسته سازی میکروکلسیفیکیشن های بافت سینه برای نواحی مورد نظر roi به کمک سیستم فازی بر اساس کانتراست منطقه و روش فیلترینگ گابور اشاره شده است. بعد از تعیین خوشه های میکروکلسیفیکیشن های بافت پستان، طبقه بندی خوشه ها با کمک الگوریتم طبقه بندی درخت تصمیم انجام می شود. در ادامه برای بخش بندی نمونه های مشکوک به میکروکلسیفیکیشن برجسته و ماسک گذاری می شود و در مرحله آخر ویژگیهای بافت استخراج شده است و با کمک شبکه عصبی مصنوعی (ann) برای تعیین نوع خوشخیم و بدخیم خوشه های بخش بندی شده roi، استفاده می شود. نتایجی این کار انجام شده نشان دهنده دقت بالای 93% و بهبود حساسیت بالای 95% می باشد، که نشان می دهد راهکار ارائه شده می تواند با اطمینان برای تشخیص سرطان پستان اعمال شود.

a new method based on texture analysis for the classification of automatic detection of breast microcalcifications of mammography images

mammography is a diagnostic technology used in screening programs to find breast cancer early. by using two techniques for image enhancement and highlighting breast tissue microcalcifications for the desired areas by regional roi based on fuzzy system and also gabor filtering method, the study's objective was to assess the viability of automatic separation of images of breast tissue microcalcifications and to assess its accuracy. the decision tree classification algorithm is used to categorize the clusters of breast tissue microcalcifications after the clusters have been identified. the samples that are thought to have microcalcification are next highlighted and masked for segmentation, and in the last step, tissue properties are extracted. then, it was possible to distinguish between benign and malignant forms of segmented roi clusters with the aid of an artificial neural network (ann). the results of this work show a high accuracy of 93% and an improvement of sensitivity of 95%, which shows that the presented solution can be reliably applied to detect breast cancer..