پردازش تصاویر ماموگرافی به منظور طبقه ‌بندی توده ‌های سرطان سینه با استفاده از روش ماشین بردار پشتیبان با بکارگیری الگوریتم بهینه ‌‌سازی ملخ

زمینه و هدف: سرطان سینه به دلیل رشد غیرقابل کنترل سلول های غیرطبیعی در سینه ایجاد می شود. در هر دو نوع تومورهای سرطانی خوشخیم و بدخیم، رشد سریع و زیاد سلول ها وجود دارد. امروزه، ﺑﺎ ﺗﻮﺟﻪ به ﮔﺴﺘﺮش ﺗﮑﻨﻮﻟﻮژی، ﺗﺸﺨﯿﺺ ﺑﯿﻤﺎریﻫﺎ از ﺣﺎﻟﺖ تهاﺟمی ﺧﺎرج ﺷﺪه و تلاش ﭘﺰﺷﮑﺎن و ﻣﺘﺨﺼﺼﺎن ﺑﺮ ایﻦ اﺳﺖ ﮐﻪ ﺗﺸﺨﯿﺺ بیماری را ﺑﺪون ﺟﺮاﺣﯽ و از روی ﺗﺼﺎویﺮ ارﮔﺎنﻫﺎی داﺧﻠﯽ اﻧﺠﺎم دﻫﻨﺪ. مواد و روش ها: پژوهش حاضر مطالعه ای بر اساس بررسی اطلاعات پایگاه داده ی تصاویر دیجیتال ماموگرافی (ddsm ) می باشد، که روشی جدید برای تشخیص و آشکارسازی توده های سرطانی تصاویر ماموگرافی با استفاده از استخراج ویژگی های هندسی و بهینه سازی پارامترهای الگوریتم ماشین بردار پشتیبان (svm)، به منظور طبقه بندی خودکار توده های سرطان سینه ارائه شده است. در ابتدا پیش پردازش تصاویر ماموگرافی انجام می شد، سپس با استفاده از روش آستانه گذاری، مرزهای توده ها مشخص شد و سپس با عملگرهای مورفولوژی این مرزها بهبود یافته و درنهایت قطعه بندی تصاویر برای طبقه بندی نوع توده های سرطانی بافت سینه انجام شد. در مرحله نهایی با استفاده از روش بهینه سازی پارامترهای طبقه بندی کننده ی svm با کمک الگوریتم بهینه سازی ملخ، و استفاده از روش اعتبارسنجی 4 - fold طبقه بندی داده‌ها به دو دسته ی خوشخیم و بدخیم انجام شد.ملاحظات اخلاقی: در این پژوهش از تصاویر پایگاه داده ی ddsm استفاده شده است. لازم به ذکر است که تصاویر موجود در این پایگاه داده بصورت رایگان جهت دسترسی وجود دارند.یافته ها: بهترین نتایج شاخص های صحت، حساسیت و اختصاصیت (ویژگی) به ازای به‌کارگیری تابع کرنل (rbf) پیش از انجام عملیات بهینه سازی پارامترهای طبقه بندی کننده ی svm به ترتیب برابر با 97%، 100% و %96 بدست آمد. همچنین، بهترین نتایج شاخص های صحت، حساسیت و اختصاصیت به ازای به‌کارگیری تابع کرنل خطی، پس از انجام عملیات بهینه سازی پارامترهای طبقه بندی کننده ی svm با الگوریتم بهینه سازی ملخ، به ترتیب برابر با %100، %100 و %100 بدست آمد که نشان دهنده ی دقت بالای روش پیشنهاد شده در این مقاله است.. متوسط مقادیر شاخص های صحت، حساسیت و اختصاصیت به ازای بکارگیری هر سه تابع کرنل svm و پس از اعمال الگوریتم بهینه سازی، به ترتیب برابر با 95/83، 100 و 94/81 درصد به دست آمد.نتیجه گیری: بر اساس روش پیشنهاد شده در این مقاله، ویژگی های هندسی به‌دست آمده از بافت توده های سرطانی سینه جهت آموزش مدل و تشخیص نوع توده سرطان سینه دارای کارایی بالایی است و روش بهینه سازی ملخ با انجام بهینه سازی پارامترهای طبقه بندی کننده، دقت کلی تشخیص روش ارائه شده را بهبود بخشیده است. بنابراین نتایج حاصل از این پژوهش نشان دهنده ی عملکرد بالای روش پیشنهاد شده در مقاییسه با سایر پژوهش های پیشین انجام شده در این زمینه است.

Mammographic Image Processing for Classification of Breast Cancer Masses by Using Support Vector Machine Method and Grasshopper Optimization Algorithm

Background and Aim: Breast cancer is the abnormal cell growth in the breast. In both benign and malignant masses, there is rapid and high cell growth. Nowadays, due to the development of technologies, the diagnosis of diseases has become noninvasive and physicians attempts to diagnose the disease without surgery and based on internal organ images.Methods Materials: In this study, by using images prepared from the Digital Database for Screening Mammography (DDSM), a new method is proposed for detecting cancerous masses in the mammographic images using geometric features extraction and optimization of Support Vector Machine (SVM) parameters to classify breast cancer masses automatically. First, images were preprocessed and then boundaries were determined using threshold method. Next, morphological operators were used to improve these boundaries and the segmentation of images was carried out to classify cancerous masses. Finally, by using the SVM parameter optimization method, Grasshopper Optimization Algorithm (GOA), and 4fold crossvalidation method, data were classified into two groups of benign and malignant (cancer) masses.Ethical Considerations Images from DDSM database were used in this research, all images are open access in this database.Results: The accuracy, sensitivity and specificity values for applying the Radial Basis Function (RBF) kernel in SVM classifier (before optimization process) were obtained 97%, 100% and 96, respectively. After optimization of SVM parameters by the GOA, it was reported 100% for all accuracy, sensitivity and specificity indices for applying linear kernel function, indicating the high accuracy of the proposed method. The average values of accuracy, sensitivity and specificity indices for applying all three SVM kernel functions after optimization were 95.83, 100 and 94.81%, respectively.Conclusion: The extracted geometrical features from breast cancer masses are highly efficient for model training and the diagnosis of breast cancer. The GOA could improve the overall accuracy of the proposed method by optimizing the SVM parameters. The results showed the higher performance of the proposed method compared to other methods.