طراحی الگوریتم شبکه دسته‌بندی دو مرحله‌ای جهت تشخیص سرطان خون نوع لوسمی لنفوسیتی حاد (all) در تصاویر لام خون

زمینه و هدف: تشخیص سرطان خون کار بسیار دشواری است، به همین دلیل نیاز به استفاده از تکنیک های پردازش تصویر می باشد. هدف اصلی این تحقیق، ارائه سیستمی بر پایه مدل های هوشمند بود که بتواند دقت سیستم تشخیصی را در زمینه سرطان خون نوع لوسمی حاد ارتقا بخشد.مواد و روش ها: تصاویر تهیه شده در این پژوهش از پایگاه داده university degli studi dimilan استخراج و در فضای نرم افزار matlab 2014a پردازش شد. در این تحقیق از روش fuzzycmeans در بخش قطعه بندی و از تکنیک های مبتنی بر شبکه های عصبی و ماشین بردار پشتیبان در بخش شبکه های دسته بندی کننده استفاده شد.ملاحظات اخلاقی: در این مطالعه، تمامی اصول اخلاق در پژوهش رعایت شده است.یافته ها: با استفاده از انتقال تصویر اولیه به چهار فضای rgb، hsv،lab و enhanced rgb داده های مربوط به ویژگی ها استخراج شد. داده های به دست آمده از مرحله قبل وارد شبکهsvm شد و سپس شبکه داده های نرمال را از داده های غیرنرمال جداسازی کرد. نتایج حاصل از مقایسه خروجی روش پیشنهادی با روش های آموزشی مختلف، بیشترین میانگین دقت برابر با مقدار 95.7 درصد را نشان داد.نتیجه گیری: شبکه پیشنهادی به طور مناسب از مزایای هریک از شبکه ها به طور جداگانه، بهره برداری نمود و موجب گردید که نقاط ضعف هریک از الگوریتم ها توسط دیگری برطرف گردد. این ترکیب شبکه ها سبب ارتقای دقت خروجی تا 98 درصد شد و از طرف دیگر زمان محاسبات انجام شده را به شدت کاهش داد.

Designing A Two-Stage Classification Network Algorithm for Acute Lymphocytic Leukemia Diagnosis in Blood Lamella Images

Background and Aim: Diagnosis of leukemia is very difficult, therefore, it is necessary to use image processing techniques. The main objective of this study was to provide a system based on intelligent models that could improve the accuracy of the diagnostic system for acute leukemia.Materials and Methods: The images produced in this study were extracted from the University Degli Studi Dimilan database and processed in the MATlab 2014a software. In this research, FuzzyCmeans method was used in fragmentation and neural network and support vector machine in classification networks.Ethical Considerations: In this study, all principles of research ethics were considered.Findings: Feature data were extracted using the original image transfer to RGB, HSV, Lab and Enhanced RGB spaces. The data obtained from the previous step were entered into the SVM network, then the network separated normal data from abnormal data. The results of comparing the output of the proposed method with different educational methods showed the highest mean of accuracy equal to 95.7%.Conclusion: The application of the proposed network in this study was that eliminate the weak points of all the networks in addition to presenting the advantages of these network. Combining the networks improved the accuracy of output up to 98% and considerably reduced the time required for calculations.