تشخیص سرطان دهانه‌ی رحم در تصاویر پاپ اسمیر با استفاده از ویژگی‌های بافتی و هندسی

مقدمه: یکی از سرطان‌های شایع در بین زنان، سرطان دهانه‌ی رحم است که پزشک می‌تواند از یک سیستم کامپیوتری تشخیصی به منظور تشخیص سریع‌تر و راحت‌تر بهره‌مند شود. هدف از انجام این مطالعه، طبقه‌بندی سلول‌های دهانه‌ی رحم در تصاویر تست پاپ اسمیر به دو گروه طبیعی و غیر طبیعی بود.روش‌ها: در این مقاله، از پایگاه داده‌ی عمومی herlev استفاده شد. این پایگاه داده، شامل 917 سلول می‌باشد. تعداد 35 ویژگی هندسی و 263 ویژگی بافتی نظیر ویژگی‌های ماتریس‌های هم‌رخداد (gray level cooccurrence matrix یا glcm)، الگوی محلی دودویی (local binary pattern یا lbp) و هیستوگرام گرادیان چرخشی از تصاویر سلول استخراج شد. سپس، تعداد 5، 10، 15 و 20 ویژگی برتر با استفاده از آزمون t انتخاب شد. ارزیابی مورد استفاده در این مقاله، به صورت 10 قسمتی بود و نتایج طبقه‌بندهای ماشین بردار پشتیبان، درخت تصمیم، k نزدیک‌ترین همسایگی و روش ترکیبی گزارش شد.یافته‌ها: الگوریتم طراحی شده در طبقه‌بندی ماشین بردار پشتیبان به دقت 97.5 درصد در طبقه‌بندی دو کلاس در 20 ویژگی دست پیدا کرد.نتیجه‌گیری: ویژگی‌های هندسی از قدرت بسیار بالایی در تفکیک سلول‌های طبیعی و غیر طبیعی برخوردار هستند. به منظور افزایش دقت در تشخیص از ویژگی‌های بافتی هیستوگرام گرادیان چرخشی به عنوان مکمل ویژگی‌های هندسی استفاده کرد. در صورت بهینه کردن تعداد ویژگی‌ها و انتخاب درست مجموعه‌ی ویژگی، می‌توان میزان انحراف از معیار را 3-2 درصدکاهش داد و زمان پردازش را بهینه‌تر کرد.