تشخیص سلول های پیش سرطانی دهانه رحم با استفاده از طبقه بندی ترکیبی برروی تصاویر پاپ اسمیر

زمینه. سرطان دهانه رحم در سلول های سطحی آغاز شده و به مرور زمان می تواند بافت های عمیق تر و بافت های اطراف را مورد تهاجم قرار بدهد. این مقاله ایده خلاقانه ای را در مورد استفاده از الگوریتم طبقه بندی ترکیبی ارائه می دهد که باعث بهبود عملکرد پیش بینی کننده سیستم هوش مصنوعی مبتنی برغربالگری سرطان دهانه رحم می شود. هدف از این تحقیق، طبقه بندی تصاویر پاپ اسمیر توسط روش های مختلف یادگیری ماشین برای دستیابی به میزان تشخیص با دقت بالا است. روش کار. این مطالعه بر روی 917 تصویر پاپ اسمیر از پایگاه داده ی عمومی herlev انجام پذیرفت. در مرحله استخراج ویژگی تعداد 20 ویژگی هندسی و 76 ویژگی بافتی استخراج شده است. سپس با استفاده از روش طبقه بندی ترکیبی تصاویر به دو دسته (طبیعی و غیر طبیعی) و هفت دسته (سطحی طبیعی، متوسط طبیعی و پارابازال طبیعی و سلول های پیش سرطانی خفیف، پیش سرطانی متوسط، پیش سرطانی شدید و سلول های سرطانی) تقسیم شده اند و صحت روش پیشنهادی مورد بررسی قرار گرفته شده است. یافته ها. الگوریتم مورد نظر در طبقه بندی ترکیبی توانست به صحت 99/9 درصد با مدت زمان 0/028 ثانیه در طبقه بندی دوکلاسه و صحت 76/5 درصد با مدت زمان 0/033 ثانیه در طبقه بندی هفت کلاسه دست پیدا کند. نتیجه گیری. براساس نتایج، الگوریتم طراحی شده می تواند به عنوان یک ابزار کمک تشخیص کامپیوتری به منظور پیش آگاهی و افزایش دقت و سرعت پیش بینی خطر بروز سرطان دهانه رحم استفاده گردد. پیامدهای عملی. سرطان دهانه رحم یکی از شایع ترین سرطان ها در بین زنان می باشد که تشخیص به موقع بیماری می تواند از صرف هزینه های مختلف برای بیماران و مراجعات مکرر به مراکز درمانی جلوگیری به عمل آورد. در این مطالعه روش کمک تشخیصی کامپیوتری مناسبی برای تشخیص زود هنگام این بیماری و افزایش دقت در تشخیص ارائه شده است.

detection of cervical precancerous cells from pap-smear images using ensemble classification

background. cervical cancer begins in superficial cells and over time can invade deeper tissues and surrounding tissues. this paper presents a creative idea of using an ensemble classification algorithm that improves the predictive performance of an artificial intelligence system based on cervical cancer screening. this study aimed to classify pap-smear images by different machine learning methods to achieve high accuracy detection. methods. this study was performed on 917 pap-smear images from the herlev public database. in the feature extraction stage, 20 geometric features and 76 texture features were extracted. after that, using ensemble classification method, the images were classified into two categories (i.e., normal and abnormal) and then into seven categories (i.e., superficial epithelial, intermediate epithelial, columnar epithelial, mild dysplasia, moderate dysplasia, severe dysplasia and carcinoma) and the accuracy of the proposed method was evaluated. results. the algorithm in the ensemble classification was able to achieve accuracy of 99.9% with a processing time of 0.028 second in the two-class classification and accuracy of 76.5% with a processing time of 0.033 second in the seven-class classification. conclusion. based on the results, the designed algorithm can be used as a computer aided diagnostic tool to increase the accuracy and speed of predicting the risk of cervical cancer. practical implications. cervical cancer is one of the most common cancers among women. early diagnosis of the disease can save various costs and prevent the patients’ frequent visits to medical centers. this research proposed an artificial intelligence method for automatic classification of cervical cells and improving the accuracy of diagnosis.