|
|
|
|
طبقه‌بندی سلول‌های سرطانی پروستات با الگوریتم ماشین بردار پشتیبانی با کرنل‌های مختلف ازتصاویر تشدید مغناطیسی با وزن t2
|
|
|
|
|
|
|
|
نویسنده
|
عزیزیان محمدرضا ,اتحاد توکل مهناز ,خان باباپور سعید ,برادران آذر ,برادران میلاد ,شانئی احمد
|
|
منبع
|
مجله دانشكده پزشكي اصفهان - 1399 - دوره : 38 - شماره : 602 - صفحه:893 -899
|
|
چکیده
|
مقدمه: سرطان پروستات، یکی از شایع‌ترین انواع سرطان در ایران و جهان است. تصویربرداری از سرطان پروستات، با پیدایش تصویربرداری رزونانس مغناطیسی چند متغیری، بسیار پیشرفت کرده است. هدف از اجرای این مطالعه، تخمین حجم تومور پروستات با استفاده از نرم‌افزارهای کامپیوتری بود؛ چرا که تشخیص دقیق، به درمان اثربخش منجر می‌شود.روش‌ها: با استفاده از یک دستور در نرم‌افزار matlab، نواحی مورد نظر پیچیده به طور دقیق مشخص شدند. ضمن استفاده از ویژگی‌های هارالیک و روش تجزیه و تحلیل مولفه‌ی اصلی، پنج ویژگی مهم از میان 17 ویژگی انتخاب شدند. سپس، از الگوریتم ماشین بردار پشتیبانی برای طبقه‌بندی کردن بافت‌های غیر سرطانی از سرطانی استفاده شد. برای افزایش صحت طبقه‌بندی کننده‌ی ماشین بردار پشتیبانی، از راهکارهای پیشنهاد شده استفاده شد: 1) ویژگی جدید معرفی و استخراج شد، 2) ویژگی‌ها نرمال‌سازی شدند، 3) برای بهینه کردن اعتبارسنجی متقابل، kfold از 5 به 10 تغییر یافت. به علاوه، ماشین بردار پشتیبانی، طبقه‌بندی را با استفاده از کرنل‌های گوسی، تابع پایه‌ای شعاعی و خطی انجام داد. اگر تومور در بیش از یک اسلایس شناسایی می‌شد، تمام region of interest (roi)های مشخص شده در اسلایس‌های مختلف در استخراج ویژگی و تخمین حجم تومور در نظر گرفته می‌شدند. سطح تومور در هر اسلایس، با استفاده از نرم‌افزار matlab محاسبه و سپس، حجم تومور تخمین زده می‌شد.یافته‌ها: از میان ویژگی‌های هارالیک، کنتراست، همبستگی، همگنی، انرژی و آنتروپی، توانمندترین ویژگی‌ها در این مطالعه بودند که نتایج مطالعات قبلی در این زمینه را تایید می‌کند. حساسیت طبقه‌بندی کننده‌ی ماشین بردار پشتیبانی با کرنل گوسی 9180/0 به دست آمد؛ در حالی که با کرنل‌های شعاعی و خطی، به ترتیب 7097/0 و 8571/0 به دست آمد. همچنین، ویژگی کرنل‌های گوسی، تابع پایه‌ای شعاعی و خطی به ترتیب 6500/0، 8305/0 و 7069/0 بود. صحت با کرنل‌های گوسی و خطی برابر 0.7851 به دست آمد که از صحت تابع پایه‌ای شعاعی بیشتر بود. استخراج ویژگی‌ها ی هارالیک از نواحی مورد نظر و کاهش ابعاد این ویژگی‌ها و در نهایت، مرحله‌ی طبقه‌بندی کمتر از یک دقیقه زمان می‌برد.نتیجه‌گیری: روش پیشنهاد شده در این مطالعه، صحت تشخیص را افزایش می‌دهد و ضمن سرعت بیشتر، به راحتی قابل تکرار است.
|
|
کلیدواژه
|
پروستات، نئوپلاسم، کامپیوتر، تخمین
|
|
آدرس
|
دانشگاه علوم پزشکی اصفهان, دانشکده‌ی پزشکی, گروه فیزیک پزشکی, ایران, دانشگاه علوم پزشکی اصفهان, دانشکده‌ی پزشکی, گروه فیزیک پزشکی, ایران, مرکز درمانی عسگریه, بخش رادیولوژی, ایران, دانشگاه علوم پزشکی اصفهان, دانشکده‌ی پزشکی, گروه آسیب‌شناسی, ایران, دانشگاه علوم پزشکی اصفهان, دانشکده‌ی پزشکی, گروه فیزیک پزشکی, ایران, دانشگاه علوم پزشکی اصفهان, دانشکده‌ی پزشکی, گروه فیزیک پزشکی, ایران
|
|
پست الکترونیکی
|
shanei@med.mui.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Classification of Prostate Cancerous Tissues by Support Vector Machine Algorithm with Different Kernels from T2Weighted Magnetic Resonance Images
|
|
|
|
|
Authors
|
Azizian Mohammadreza ,Etehadtavakol Mahnaz ,Khanbabapour Saeed ,Baradaran Azar ,Baradaran Milad ,Shanei Ahmad
|
|
Abstract
|
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|