جستجوی مقالات مرتبط با کلیدواژه "سرطان سینه" در نشریات گروه "فنی و مهندسی"
-
سرطان سینه بعد از سرطان ریه دومین سرطان شایع و پنجمین دلیل اصلی مرگ و میر در زنان است. تشخیص زودهنگام این سرطان بسیار حائز اهمیت بوده و حتی در صورت تشخیص به موقع این نوع از سرطان، نجات جان افراد نیز امکان پذیر است. با در نظر گرفتن این مسئله، در پژوهش روبرو تلاش شده است تا با بهره گیری از روش ماشین بردار پشتیبان کوادراتیک و بر اساس ویژگی های استخراج شده از تصاویر MRI معتبر، نسبت به طبقه بندی داده های مشکوک به سرطان اقدام گردد تا روند تشخیص بیماری در مراحل اولیه، راحت تر و سریع تر صورت پذیرد. در این روش به دلیل ماهیت حجم کم محاسبات و بالا بودن سرعت آن در روند آموزش و نهایت آزمایش، ماشین بردار پشتیبان کوادراتیک، انتخاب شده است. در راستای قوی تر شدن روش مربوطه، از روش انتخاب ویژگی SU-CFAM که یک روش انتخاب ویژگی مبتنی بر گراف می باشد، بهره گرفته شده است. نتایج روش با بهره گیری از فاز انتخاب ویژگی و بدون آن مقایسه شد. نتایج نشان داد دقت روش بدون بهره گیری از SU-CFAM، 2/98% و با بهره گیری از آن به 1/99% رسید که نشان دهنده عملکرد مطلوب این روش در طبقه بندی داده های سرطان سینه است.
کلید واژگان: داده های ویسکانسین, سرطان سینه, کرنل کوادراتیک, ماشین بردار پشتیبانBreast cancer is the second most common cancer after lung cancer and the fifth leading cause of death in women. In less developed countries, breast cancer is the most important cause of death. In this disease, the cells of the breast tissue change and divide into multiple cells and cause a lump. If breast cancer is in the early stages, treatment is possible. There are many treatment methods such as surgery to remove the defective area, drug therapy, radiation therapy, chemotherapy, hormone therapy, and immunotherapy. These treatments have the potential to save lives when administered in the early stages. From the above explanations, it can be seen that early detection of breast cancer is very important and in this research, an attempt has been made to identify suspected cancer data with the quadratic support vector machine method and based on the features extracted from valid and numerous MRI images. Let's classify so that the process of diagnosing the disease in the early stages is easier and faster. The results showed that 356 out of 357 malignant data and 202 out of 211 benign data were correctly classified. The classification accuracy of malignant data was 99.7% and the classification accuracy of benign data was 97.5%, and finally the overall classification accuracy was 98.2%, which indicates the optimal performance of this method in breast cancer data classification.
Keywords: Breast Cancer, Wisconsin Data, Support Vector Machine, Quadratic Kernel -
نشریه تحقیقات کاربردی در برق و کامپیوتر و سیستم های انرژی، سال دوم شماره 2 (پیاپی 6، تابستان 1403)، صص 21 -39
در دنیای امروزی، سرطان سینه یکی از دلایل مرگ ومیر و از وحشتناک ترین بیماری ها شناخته شده است، که یکی از علل بالقوه مرگ در زنان است. بااینکه یکی از قابل درمان ترین بیماری ها محسوب می شود اما مهم این است که با تشخیص به هنگام آن میتوان میزان مرگ ومیر در طولانی مدت را کاهش داد. به عنوان راه حلی برای پیش‌بینی و درمان این بیماری، سیستم تشخیص خودکار بیماری در تشخیص و تجزیه وتحلیل به حوزه پزشکی کمک شایانی می کند که پاسخ سریع، قابلیت اطمینان، اثربخشی و همچنین کاهش خطر مرگ را ارائه می دهد. لذا در این مقاله از الگوریتم حافظه کوتاه مدت طولانی (LSTM) که یک الگوریتم یادگیری است استفاده شد، چراکه منجر به مدلهایی پایدارتر و با دقت بیشتر می شود. نتایج شبیه سازی و مقایسه با دیگر مقالات نشان داد که استفاده از این الگوریتم موجب بهبود دقت و حساسیت در تشخیص سرطان سینه شده و توانستیم با کمک الگوریتم LSTM به تشخیص اینکه آیا منطقه مشکوک ناژول است یا خیر برسیم. ارزیابی ها نشان می دهد که حساسیت روش پیشنهادی به خصوص در برخورد با ناژول های کوچک بسیار مطلوب است. نرخ خطای مثبت برآورد شده برای روش پیشنهادی 16.67% است که نسبت به کارهای دیگر کمتر است
کلید واژگان: سرطان سینه, الگوریتم LSTM, یادگیری ماشین, تشخیص, پیش بینی, دقتJournal of Applied Research in Electrical, Computer and Energy Systems, Volume:2 Issue: 2, 2024, PP 21 -39In today's world, breast cancer is one of the leading causes of death and one of the most dreaded diseases known, which is one of the potential causes of death in women. Although it is considered one of the most treatable diseases, it is important that with its timely diagnosis, the death rate can be reduced in the long term. As a solution for the prediction and treatment of this disease, the automatic disease diagnosis system in diagnosis and analysis is a great help to the medical field, which provides a quick response, reliability, effectiveness, and also reduces the risk of death. Therefore, in this article, the long short-term memory (LSTM) algorithm, which is a learning algorithm, was used, because it leads to more stable and more accurate models. The simulation results and comparison with other articles showed that the use of this algorithm has improved the accuracy and sensitivity in breast cancer diagnosis and we were able to determine whether the suspicious area is rough or not with the help of the LSTM algorithm. The evaluations show that the sensitivity of the proposed method is very favorable, especially in dealing with small nodules. The estimated positive error rate for the proposed method is 16.67%, which is less than other works.
Keywords: Breast Cancer, LSTM Algorithm, Machine Learning, Diagnosis, Prediction, Accuracy -
نظریه سرطان سینه، رایج ترین سرطان در میان زنان به خصوص در بین زنان بالای 50 سال است. مطالعات اخیر ثابت کرده اند که اگر سرطان سینه در مراحل اولیه تشکیل بافت های سرطانی تشخیص داده شود، احتمال حیات به طور قابل توجهی افزایش یافته و هزینه های ناشی از کنترل بیماری به شدت کاهش یافته است بنابراین راه حل اصلی، شناسایی زودهنگام سرطان سینه است. تاکنون پژوهش های مختلفی برای تشخیص سرطان سینه ارائه شده است اما به دلیل انتخاب ویژگی های غیرموثر و همچنین استفاده نکردن از یک روش تحلیلی مناسب بر روی ویژگی ها نتوانستند به دقت کافی برسند. در این مطالعه از تحلیل LSD و استخراج ویژگی های موثر توسط طبقه بند KNN برای تشخیص خودکار سرطان سینه استفاده شده است. هدف از ارائه روش پیشنهادی، افزایش دقت تشخیص برای کلاس های نرمال و غیرنرمال می باشد. روش پیشنهادی در محیط متلب و بر روی بانک تصاویر ماموگرافی MIAS اجرا شده است. نتایج حاصل از خروجی پیاده سازی، بیانگر شناسایی سرطان سینه با دقت 92 درصد است. نتایج به دست آمده با سایر روش ها مقایسه شدند که نشان دهنده عملکرد بهتر روش پیشنهادی از نظر معیار دقت می باشد.کلید واژگان: سرطان سینه, تصاویر ماموگرافی, موجک گابور, تحلیل LSD, استخراج ویژگی, بانک داده MIASEarly Detection of Breast Cancer by LSD Analysis and KNN Classification on MIAS Mammography DatabaseBreast cancer is the most common cancer among women, particularly among women over 50 years old. Recent studies have proven that if breast cancer is diagnosed in the early stages of the formation of cancerous tissues, the chance of survival increases significantly and the costs of controlling the disease are greatly reduced. Therefore, the main solution is early detection of breast cancer. Until now, various research has been presented to diagnose breast cancer, but due to the selection of ineffective features and also the lack of using a suitable analytical method on the features, they could not achieve sufficient accuracy. In this study, LSD analysis and extraction of effective features by KNN classifier are used for automatic detection of breast cancer. The purpose of presenting the proposed method is to increase the accuracy of diagnosis for normal and non-normal classes. The proposed method was implemented in MATLAB environment and on the MIAS mammography image bank. The results obtained from the implementation output demonstrated the detection of breast cancer with 92% accuracy. The obtained results were compared with other methods, which shows the better performance of the proposed method in terms of accuracy criteria.Keywords: Breast Cancer, Mammography Images, Gabor Wavelet, LSD Analysis, Feature Extraction, MIAS Database
-
سرطان سینه یکی از مسائل مهم بهداشت عمومی است و علت اصلی مرگ و میر ناشی از سرطان در میان زنان در سراسر جهان محسوب می شود. تشخیص زودهنگام آن می تواند به طور موثر به افزایش کمک کند . بیوپسی معمولا به عنوان یک رویکرد استاندارد طلایی دنبال می شود که در آن بافت ها برای تجزیه و تحلیل میکروسکوپی جمع آوری می شوند اما با این حال، تجزیه و تحلیل هیستوپاتولوژیک سرطان پستان غیر ضروری است و ممکن است منجر به درجه بالایی از اختلاف نظر در میان آسیب شناسان شود. بنابراین، یک سیستم تشخیص خودکار می تواند به آسیب شناسان کمک کند تا اثربخشی فرآیندهای تشخیصی را بهبود بخشند. چارچوب پیشنهادی ما بر اساس نمای MLO و نمای CC برای بهبود عملکرد سیستم است. علاوه بر این، فقدان داده های برچسب گذاری شده یک چالش بزرگ است. یادگیری انتقال و تقویت داده ها برای غلبه بر این مشکل استفاده می شود. براساس مجموعه داده ماموگرافی؛ MIAS در ارزیابی ما استفاده می شود. روش پیشنهادی اعمال افزایش داده با مدل اصلاح شده U-Net و VGG(19) به نتیجه، با این دقت98.35 ٪، به دست می یابد.
کلید واژگان: سرطان سینه, ماموگرافی, vgg19, u, net, پردازش تصویر -
نشریه مهندسی برق و مهندسی کامپیوتر ایران، سال بیست و یکم شماره 3 (پیاپی 81، پاییز 1402)، صص 211 -218
شناسایی ژن های آغازگر سرطان یا عامل سرطان یکی از موضوعات تحقیقاتی مهم در زمینه سرطان شناسی و زیست داده ورزی است. ژن های عامل سرطان، ژن هایی هستند که بعد از اینکه جهش در آنها اتفاق می افتد، آن جهش را از طریق برهم کنش های پروتیین- پروتیین به دیگر ژن ها منتقل کرده و از این طریق، باعث اختلال در عملکرد سلول و بروز بیماری و سرطان می شوند. تا کنون روش های مختلفی برای پیش بینی و دسته بندی ژن های عامل سرطان پیشنهاد شده که اکثرا متکی به داده های ژنومی و ترنسکریپتومیک هستند و از این رو میانگین هارمونیک پایینی در نتایج دارند. تحقیقات در این زمینه به منظور بهبود دقت نتایج ادامه دارد و از این رو روش های مبتنی بر شبکه و زیست داده ورزی به کمک این حوزه آمده اند. در این مطالعه ما رویکردی را پیشنهاد داده ایم که متکی به داده های جهش نیست و از روش های شبکه ای برای استخراج ویژگی و از شبکه عصبی سه لایه پیش خور برای دسته بندی ژن ها استفاده می کند. برای این منظور، ابتدا شبکه زیستی مورد نظر که شبکه تنظیم رونویسی سرطان سینه است، تشکیل و سپس ویژگی های مختلف هر ژن به صورت بردارهایی استخراج گردید. نهایتا بردارهای به دست آمده جهت دسته بندی به یک شبکه عصبی پیش خور داده شد. نتایج به دست آمده نشان می دهند که استفاده از روش های مبتنی بر شبکه های عصبی چندلایه می تواند صحت و میانگین هارمونیک را بهبود بخشد و باعث بهبود عملکرد نسبت به سایر روش های محاسباتی شود.
کلید واژگان: یادگیری عمیق, ژن های عامل سرطان, شبکه عصبی پیش خور, سرطان سینهIdentification of Cancer-Causing Genes in Gene Network Using Feedforward Neural Network ArchitectureIdentifying the genes that initiate cancer or the cause of cancer is one of the important research topics in the field of oncology and bioinformatics. After the mutation occurs in the cancer-causing genes, they transfer it to other genes through protein-protein interactions, and in this way, they cause cell dysfunction and the occurrence of disease and cancer. So far, various methods have been proposed to predict and classify cancer-causing genes. These methods mostly rely on genomic and transcriptomic data. Therefore, they have a low harmonic mean in the results. Research in this field continues to improve the accuracy of the results. Therefore, network-based methods and bioinformatics have come to the aid of this field. In this study, we proposed an approach that does not rely on mutation data and uses network methods for feature extraction and feedforward three-layer neural network for gene classification. For this purpose, the breast cancer transcriptional regulatory network was first constructed. Then, the different features of each gene were extracted as vectors. Finally, the obtained vectors were given to a feedforward neural network for classification. The obtained results show that the use of methods based on multilayer neural networks can improve the accuracy and harmonic mean and improve the performance compared to other computational methods.
Keywords: Feedforward neural network, cancer-causing genes, deep learning, breast cancer -
به منظور تشخیص سرطان سینه، از روش های مانند ماموگرافی، MRI، ماموگرافی حرارتی و تشخیص با دستگاه ساده تست سلامت سینه (برست انجل) استفاده می شود. روش های مختلف پردازش تصاویر، از جمله روش های موثر برای تشخیص انواع مختلف تومورها در سینه زنان است. در این مقاله از دو نوع شبکه عصبی مصنوعی استفاده می شود. 5 ویژگی های آماری استخراج شده از تصاویر ترموگرافی سینه زنان، برای تشخیص سرطان در شبکه های عصبی مورد استفاده قرار گرفته شد. در این مقاله از شبکه عصبی انتشار برگشتی (شبکه 1) با روش آموزش لونبرگ-مارکودات و مقایسه نتایج آن با شبکه هیبریدی انتشار برگشتی-موجکی (شبکه 2) جهت بررسی وضعیت سینه زنان استفاده می شود. خروجی های دو شبکه عصبی مورد استفاده در مقاله، دارای 2 گره است که، نشان دهنده این است که فرد مورد نظر با اطلاعات داده شده به شبکه های عصبی دارای سرطان سینه است یا خیر؟ در شبکه (1)، ضریب همبستگی (R=0.9831) و ریشه میانگین مربع خطا (5538/.=RMSE)، به عنوان بهترین تابع جهت آموزش شبکه به دست آمد. در مقابل ضریب همبستگی شبکه (2)، R=0.9945 و ریشه میانگین مربع خطاء (0.4665=RMSE) حاصل گردید. زمان آموزش شبکه عصبی 45/51 ثانیه و شبکه 2، 33/68 ثانیه به دست آمد. نتایج شبکه عصبی هیبریدی انتشار برگشتی -موجکی طراحی شده نشان می دهد که شبکه پیشنهادی، با دقت 99/5 درصد در شناسایی سرطان سینه کارایی داشته و قادر به تشخیص وضعیت سلامت سینه زنان است.کلید واژگان: سرطان سینه, شبکه عصبی مصنوعی, شبکه عصبی هیبریدی-انتشار برگشتی, ویژگی آماری, تصاویر ترموگرافی سینهIn order to diagnose breast cancer, methods such as mammography, MRI, thermal mammography and detection with a simple breast health test device (Brest Angel) are used. Different image processing methods are among the effective methods for detecting different types of tumors in women's breasts. In this article, two types of artificial neural networks are used. 5 statistical features extracted from thermographic images of women's breasts were used to diagnose cancer in neural networks. In this article, back propagation neural network (network 1) is used with Lunberg-Markudat training method and its results are compared with hybrid back propagation-wavelet network (network 2) to investigate the condition of women's breasts. The outputs of the two neural networks used in the article have 2 nodes, which indicate whether the person in question has breast cancer or not with the information given to the neural networks. In network (1), correlation coefficient (R=0.9831) and root mean square error (RMSE=0.5538) were obtained as the best function for network training. In contrast to the network correlation coefficient (2), R=0.9945 and root mean square error (RMSE=0.4665) was obtained. The training time of neural network 1 was 45.51 seconds and network 2 was 33.68 seconds. The results of the designed wavelet-back propagation hybrid neural network show that the proposed network is effective in detecting breast cancer with 99.5% accuracy and is able to detect the health status of women's breasts.Keywords: breast Cancer, Artificial Neural Network, hybrid-back propagation neural network, statistical feature, breast thermography images
-
سیستم های تشخیص هوشمند پزشکی امروزه به لطف هوش مصنوعی، دچار تغییرات و همچنین چالش هایی شده اند. یکی از این سیستم های هوشمند پزشکی، سیستم های تشخیص و طبقه بندی توده های سرطانی از نواحی سینه می باشد. تشخیص زودهنگام می تواند منجر به افزایش گزینه های درمانی شود. انواع تکنیک های غربالگری برای سرطان سینه مانند ماموگرافی، MRI و التراساند وجود دارد. بسته به روش تشخیص نوع توده های سرطانی، از هرکدام از این تصاویر استفاده شده و تکنیک های پردازشی متفاوتی برای آنها ارایه شده است. این تحقیق به استفاده از مجموعه داده های ماموگرافی MIAS می پردازد و بر اساس اصول پردازش تصویر و یادگیری ماشین، سعی در تشخیص و طبقه بندی توده های خوش خیم، بدخیم و مشکوک را دارد. لذا به ارایه یک رویکرد تکامل یافته می پردازد، بدین صورت که در ابتدا عملیات پیش پردازش با هدف کاهش نویز و بهسازی تصویر مبتنی بر روش پیشنهادی Quantum Inverse MFT انجام می شود و سپس بر اساس شدت روشنایی و لبه، عملیات تقطیع تصویر با استفاده از الگوریتم عنکبوت اجتماعی صورت می گیرد. در ادامه عملیات استخراج ویژگی ها و طبقه بندی با هدف تشخیص نوع توده های سرطانی، با روش Extereme Learning Machine و مدل توسعه یافته آن یعنی Moore Penrose Matrix - Extereme Learning Machine انجام می شود. نتایج تحقیق نشان می دهد که رویکرد پیشنهادی از لحاظ معیارهای ارزیابی همچون دقت، حساسیت، نرخ ویژگی ها و همین طور ROC و AUC نسبت به روش های پیشین دارای برتری عملکردی است.کلید واژگان: سرطان سینه, تشخیص و طبقه بندی, الگوریتم عنکبوت اجتماعی, Quantu Inverse MFT, MPM-ELMmedical intelligence detection systems have been changed and also faced with some challenges. Breast cancer diagnosis and classification is one of these medical intelligence system. Early detection can increases the options for curative treatment. There are a variety of screening techniques available to detect breast cancer such as mammography, magnetic resonance imaging and ultrasound. These images have been presented for a variety of applications and different processing techniques to date based on the type of cancer diagnosis. This research used MIAS mammography image dataset and try to diagnose and classify benign, malignant and suspicious masses based on image processing and machine learning techniques. So, a new developed approach proposed which at first, apply pre-processing for noise reduction and image enhancement based on Quantum Inverse MFT, and then image segmentation with Social Spider Algorithm based on two features such as brightness and edges apply. Then two main parts of diagnosis and classification apply which based on ELM and MPM-ELM. Obtained results presented that proposed approach have better performance in comparison to others based on some evaluation criteria such as accuracy, sensitivity, specificity and also ROC and AUCKeywords: breast cancer, Diagnosis, Classification, Quantum Inverse MFT Algorithm, Social Spider Algorithm (SSA), MPM-ELM
-
سرطان سینه یکی از بیماری های کشنده در بین زنان است و سالانه میلیون ها نفر در سراسر جهان بر اثر این بیماری جان خود را از دست می دهند. سرطان سینه اگر در مراحل اولیه تشخیص داده شود، شانس زنده بودن بیماران را افزایش خواهد داد. یکی از روش های تشخیص بیماری سرطان سینه، استفاده از روش های کشف دانش مانند یادگیری ماشین است. روش های یادگیری ماشین می توانند با تجزیه و تحلیل اطلاعات بیماران و پرونده آنها، الگوی بیماری سرطان سینه را کشف نمایند. مزیت مهم استفاده از روش های یادگیری ماشین برای تشخیص سرطان سینه، کاهش هزینه های تشخیص و کمک به تشخیص دقیق تر توسط پزشکان متخصص است. یکی از روش های تشخیص بیماری سرطان سینه استفاده از ماشین بردار پشتیبان است. ماشین بردار پشتیبان یک روش برای طبقه بندی نمونه ها با هدف کاهش ریسک عملیاتی در طبقه بندی است. یکی از چالش های مهم ماشین بردار پشتیبان، خطای خروجی مدل به دلیل عدم انتخاب بهینه پارامترهای یادگیری است. در روش پیشنهادی برای کاهش دادن خطای طبقه بندی افراد بدخیم و خوش خیم، از الگوریتم بهینه سازی شاهین استفاده شده است. نقش الگوریتم شاهین در روش پیشنهادی بهینه سازی پارامترهای ماشین بردار پشتیبان برای کاهش دادن خطای تشخیص بیماران بدخیم است. ارزیابی ها در محیط برنامه نویسی متلب و روی مجموعه داده ویسکانسین انجام شده است. ارزیابی ها نشان می دهد روش پیشنهادی در تشخیص سرطان سینه دارای دقتی برابر 99.31% است و از روش های نظیر الگوریتم بهینه-سازی وال در تشخیص سرطان سینه دقیق تر است.
کلید واژگان: سرطان سینه, یادگیری ماشین, ماشین بردار پشتیبان, الگوریتم بهینه سازی شاهین هریس, بهینه سازی, پیش بینیJournal of New Achievements in Electrical, Computer and Technology, Volume:2 Issue: 5, 2023, PP 40 -62Breast cancer is one of the deadly diseases among women and every year millions of people around the world die due to this disease.If breast cancer is detected in the early stages,the chances of survival will increase.One of the methods of breast cancer diagnosis is the use of knowledge discovery methods such as machine learning. Machine learning methods can discover the pattern of breast cancer by analyzing the information of patients and their records.The important advantage of using machine learning methods to diagnose breast cancer is to reduce diagnosis costs and help more accurate diagnosis by specialist doctors. One of the methods of breast cancer diagnosis is the use of a support vector machine. Support vector machine is a method for classifying samples with the aim of reducing operational risk in classification.One of the important challenges of the support vector machine is the output error of the model due to the lack of optimal selection of the learning parameters.In the proposed method to reduce the classification error of malignant and benign people, Harris Hawks's optimization algorithm has been used.The role of Harris Hawks's algorithm in the proposed method is to optimize the parameters of the support vector machine to reduce the diagnosis error of malignant patients.The evaluations have been done in the MATLAB programming environment and on the Wisconsin dataset.The evaluations show that the proposed method in breast cancer diagnosis has an accuracy of 99.31% and is more accurate than methods such as Wall's optimization algorithm in breast cancer diagnosis.
Keywords: Breast cancer, machine learning, support vector machine optimization, Harris Hawks optimization algorithm, optimization, prediction -
سرطان سینه از شایع ترین دلایل مرگ و میر در میان زنان جهان می باشد، اما تشخیص زودهنگام و دقیق این نوع سرطان می تواند درمان را به طرز چشمگیری بهبود بخشد. تصویربرداری حرارتی یکی از روش های اولیه تشخیص سرطان سینه است. همچنین از سیستم تشخیص کامپیوتری می توان برای کمک به پزشکان برای افزایش دقت تفسیر نتایج استفاده کرد. در این مقاله، یک سیستم تشخیص کامپیوتری هوشمند برای تشخیص سرطان سینه با استفاده از تصاویر حرارتی ارایه شده است. سیستم هوشمند تشخیص کامپیوتری ارایه شده شامل روش SFTA برای استخراج ویژگی و الگوریتم SVM ، kNN و D-Tree برای طبقه بندی نتایج می باشد. عملکرد سیستم تشخیص کامپیوتری هوشمند ارایه شده با استفاده از پایگاه داده DMR-IR و پایگاه داده دانشگاه Fluminense Federal و MATLAB2018 برای استفاده از الگوریتم انتخاب ویژگی فاخته و بدون الگوریتم انتخاب ویژگی ارزیابی شده است. نتایج نشان می دهد که بهترین میانگین صحت، حساسیت و اختصاصیت به ترتیب 99، 5/99 و 03/98 درصد می باشد که بابکارگیری الگوریتم انتخاب ویژگی فاخته و الگوریتم طبقه بندی کننده SVM بدست آمده است. همچنین سیستم تشخیص کامپیوتری ارایه شده دارای مزایایی نسبت به سایر سیستم های تشخیص کامپیوتری می باشد. این نتایج نشان می دهد که استفاده از روش استخراج ویژگی SFTA، الگوریتم انتخاب ویژگی فاخته، الگوریتم طبقه بندی SVM و داده های پایگاه داده DMR-IR در سیستم تشخیص کامپیوتری پیشنهادی، می تواند باعث بهبود نتایج ارزیابی شود.کلید واژگان: سرطان سینه, الگوریتم انتخاب ویژگی فاخته, تصاویرحرارتی, استخراج ویژگی و انتخاب ویژگیBreast cancer is one of the most common causes of death among women around the world, but early and accurate diagnosis of this type of cancer can dramatically improve treatment. Thermal imaging is one of the primary methods of diagnosing breast cancer. The computer diagnosis system can also be used to help physicians to increase the accuracy of interpretation of results. This paper presents an intelligent computer diagnostic system for the detection of breast cancer using thermal imaging. The proposed intelligent computer diagnosis system includes SFTA method for feature extraction and SVM, kNN and D-Tree algorithms for classification of results. The performance of the proposed intelligent computer diagnosis system is evaluated using the DMR-IR and Fluminense Federal University databases and MATLAB2018, when using the cuckoo feature selection algorithm and without using the feature selection algorithm. The results show that the average accuracy, sensitivity and specificity are 99%, 99.5% and 98.03%, respectively, using the cuckoo feature selection algorithm and SVM classification algorithm. Also, the presented computer diagnostic system has advantages compared to other computer diagnosis systems. These results indicate that the use of SFTA feature extraction method, cuckoo feature selection algorithm, SVM classification algorithm and DMR-IR database in the proposed computer diagnosis system can improve the evaluation results.Keywords: breast cancer, cuckoo feature selection algorithm, thermal imagery, feature extraction, feature selection
-
تشخیص ریزدانه های کلسیم در تصاویر ماموگرافی سینه در تشخیص زودهنگام سرطان از اهمیت زیادی برخوردار است. شناسایی این ریزدانه ها به طور دستی و توسط افراد متخصص انجام می گیرد که با هزینه بالا و خطا همراه است. در این مقاله یک روش جدید مبتنی بر الگوریتم خوشه بندی فازی برای شناسایی ریزدانه در تصاویر ماموگرافی پیشنهاد شده است. در روش پیشنهادی کیفیت پایین تصاویر ماموگرافی به کمک پیش پردازش بهبود داده می شود. با تعریف یک تابع عضویت مناسب در خوشه بندی فازی، نواحی ریزدانه شناسایی شده اند. دقت و حساسیت ناحیه مطلوب دارای ریزدانه شناسایی شده با ناحیه ای که توسط پزشک استخراج شده مقایسه شده است. دقت شناسایی ناحیه مطلوب 79/96 درصد و حساسیت این شناسایی 20/97 درصد به دست آمده است که نسبت به روش قبلی دقت و حساسیت شناسایی ریزدانه بهبود پیدا کرده است (دقت شناسایی ناحیه مطلوب 95 در صد و حساسیت 52/90 در صد). در ادامه به کمک شبکه عصبی انتشار به جلو با الگوریتم آموزشی پس انتشار خطا، به طبقه بندی نواحی استخراج شده به دو دسته خوش خیم و بدخیم پرداخته شده است. معیارهای دقت شناسایی، حساسیت، نرخ اخباری مثبت و منفی برای ارزیابی دقت تشخیص خوش خیم و بدخیم بودن ریزدانه به کار گرفته شد. دقت شناسایی 50/97 درصد، حساسیت 13/98 درصد، نرخ اخباری مثبت 30/98 درصد و منفی 32/96 درصد، بیان کننده نتایج مطلوب از روش پیشنهادی در این مقاله است. دلیل برتری روش پیشنهادی دقت بالا در استخراج ناحیه مورد نظر و همچنین ویژگی های متمایز استخراج شده از ناحیه مورد نظر است.کلید واژگان: ریزدانه کلسیم, سرطان سینه, تصاویر ماموگرام, خوشه بندی فازی, طبقه بندی, استخراج ویژگیDetection of calcium particles in breast mammography images is important in the early detection of cancer. Identification of these particles is done manually by experts, which is associated with high cost and error. In this paper, a new method based on fuzzy clustering algorithm for fine-grained detection in mammographic images is proposed. In the proposed method, the low quality of mammographic images is improved with the help of preprocessing. By defining an appropriate membership function in fuzzy clustering, fine-grained regions are identified. Finally, the identified areas were classified into benign and malignant groups with the help of forward propagation neural network with error propagation training algorithm. The accuracy of identification of the desired area is 96.79% and the sensitivity of this identification is 97.20%. Compared to the previous method, the accuracy and sensitivity of fine-grained identification has been improved (95% of the desired area identification accuracy and 90.52% sensitivity). In the classification of areas with the help of neural network, the accuracy was 97.5%. Evaluation criteria showed the superiority of the proposed method in the extraction of calcium particles and classification. The reason for the superiority of the proposed method is the high accuracy in extracting the desired area as well as the distinctive features extracted from the desired area.Keywords: Microcalsiom, breast cancer, Mammogram images, Fuzzy clustering, classification, feature extraction
-
بی وزنی بر رشد و متاستاز سلول های توموری اثر می گذارد. با این وجود اساس مولکولی آن شناخته نشده است. به دلیل بیان بالای مولکول CD44 در تومورهای بازال تهاجمی سرطان سینه، در سال های اخیر موضوع بسیاری از مطالعات بوده است. هدف از مطالعه حاضر بررسی تغییرات بیانی ژن CD44 در رده سلولی MDA-MB-231 در شرایط بی وزنی بود. رده سلولی در شرایط جاذبه طبیعی و بی وزنی 1 و 3 روز توسط دستگاه کلینواستت دو بعدی تکثیر شد. بیان ژن با Real-time PCR اندازه گیری شد. میزان بیان ژن پس از یک روز به میزان 100٪ افزایش و پس از 3 روز به میزان 15٪ کاهش می یابد. به نظر می رسد که پاسخ سلول های سرطانی به بی وزنی وابسته به زمان باشد و اعمال آن برای مدت سه روز ممکن است اثرات مثبتی بر کاهش فنوتیپ سرطانی در این رده سلولی از لحاظ کاهش بیان مولکول CD44 داشته باشد.
کلید واژگان: سرطان سینه, بی وزنی, CD44, رده سلولی MDA-MB-231CD44 expression changes in MDA-MB-231 cell line of breast cancer after exposure to 2-D clinorotationStudies have shown that simulated microgravity (SMG) affects tumor cell growth and metastasis. However, the underlying molecular basis is still not known. In recent years, due to the high expression of CD44 in invasive basal breast tumors, it has been the subject of many studies. The aim of present study was to investigate the gene expression of CD44 in MDA-MB-231cell line of breast cancer in microgravity conditioncell line was proliferated under normal gravity and microgravity (1 and 3 days) using 2-D clinostat. Gene expression was measured using real-time PCR technique. SMG increased gene expression (100%) after 1 day and decreased it (15%) during 3 days in comparison to the control samples. It seems that the response of cancer cells to microgravity is time dependent and simulated microgravity treatment for 3 days may have a positive effect on cancer characteristics of MDA-MB-231 cell line in order to decrease the expression of CD44.
Keywords: breast cancer, Microgravity, CD44, MDA-MB-231 cell line -
جهش در دی ان ای و ایجاد ژن های جهش یافته که به صورت ارثی یا اکتسابی که در طی زندگی فرد اتفاق می افتد، سبب بروز سرطان می شود. این نوع بیماری سبب از بین رفتن کنترل طبیعی رشد و تکثیر سلول می گردد. سرطان سینه با همه گیری در زنان و مردان و آمار مبتلایان بیشتر در جامعه زنان از جمله سرطان های مورد توجه در جامعه پزشکی می باشد. تغییرات ظاهری در سینه، وجود توده و ترشح و خونریزی از نوک سینه از نشانه های بروز سرطان سینه می باشد. درمان هدفمند این بیماری سبب کاهش عوارض ناشی از روش های درمان می گردد. همچنین شناخت ویژگی های مکانیکی سلول همچون مدول یانگ، و بررسی تغییرات ناشی از سرطان در این ویژگی ها سبب کارآمد شدن درمان و کمک به علوم دارویی خواهد شد. بدین منظور در این مقاله، سلول MCF-10 سینه با استفاده از میکروسکوپ نیروی اتمی و با روش نانومنیپولیشن مورد مطالعه قرار گرفته است. میکروسکوپ نیروی اتمی با امکان تهیه ی تصاویر از بافت های نرم تحت شرایط محیطی متفاوت و با روشی غیر مخرب از ابزارهای کارآمد در مطالعات ساختاری ذرات بیولوژیکی محسوب می شود. مدل های تماسی chung، chen و brake از مدل های مورد استفاده در شبیه سازی انجام شده می باشند. در نهایت با شبیه سازی های صورت گرفته مدول یانگ 1200 پاسکال برای این سلول در نظر گرفته شده است. همچنین با درنظر گرفتن مقایسه های صورت گرفته با کار تجربی، مدل تماسی chen به عنوان مدل مطلوب برای استخراج خواص سلولی معرفی شده است.
کلید واژگان: مدول یانگ, سلول MCF-10, میکروسکوپ نیروی اتمی, مدل های تماسی, سرطان سینهMutations in DNA and the development of mutated genes that are inherited or acquired during a personchr(chr('39')39chr('39'))s lifetime can cause cancer. This type of disease causes the loss of normal control of cell growth and proliferation. Breast cancer, with its prevalence in both men and women and the higher incidence of women in the female population, is one of the most important cancers in the medical community. Appearance changes in the breast, the presence of a lump, and discharge and bleeding from the nipple are signs of breast cancer. Targeted treatment of this disease reduces the complications of treatment methods. Also, recognizing the mechanical properties of the cell, such as the Youngchr(chr('39')39chr('39'))s modulus, and examining the changes caused by cancer in these properties will make treatment more efficient and help the pharmaceutical sciences. For this purpose, in this paper, the MCF-10 breast cell has been studied using atomic force microscopy and nanomanipulation method. Atomic force microscope is one of the efficient tools in the structural studies of biological particles with the possibility of producing images of soft tissues under different environmental conditions and in a non-destructive manner. Chung, chen and brake contact are the models used in the simulation. Finally, with the simulations performed, the Young modulus of 1200 Pa is considered for this cell. Also, considering the comparisons made with experimental work, the chen contact model has been introduced as the optimal model for extracting cellular properties.
Keywords: Young modulus, MCF-10 cell, atomic force microscopy, contact models, breast cancer -
پژوهش حاضر با هدف بررسی فرآورده های خراطین وخواص و کاربردهای آن صورت گرفته است. روش انجام پژوهش از نوع توصیفی و با استفاده از مطالعات کتابخانه ای انجام شده است. نتایج حاصل از پژوهش حاکی از آن است که نام خراطین (Kharateen) یک نام هندی و نام یک نوع کرم خاکی با نام علمی ایزینیا فتیدا است که در صنعت داروسازی و بهداشتی و آرایشی کاربرد داردکه در طب سنتی نیزروغن آن در دسته ی روغن های گرم و خشک قرار دارد و در کتاب قانون بوعلی سینا نیز به خواص این روغن به عنوان مسمن اعضا ویا حجم دهنده اندام ها اشاره شده است. بر اساس تحقیقات انجام شده از بین 31 نوع اسید آمینه 18 نوع آن در این روغن وجود دارد. بطوری که این روغن حاوی 96.2 درصد پروتئین الانتیین بوده و درصد باقی مانده را بقیه پروتئین های کلاژن ساز و دارای خواص کشسانی با الاستیسیته بالا تشکیل می دهند . این روغن همچنین دارای درصد بالایی از امگا 3، امگا 6 و امگا 9 می باشد که در حجم دهندگی عضلات تاثیردارند. همچنین در برخی دیگر از مقالات کاربرد فرآورده های خراطین در بهبود بیماری هایی چون درد مفاصل، ناتوانی جنسی، بهبود خونرسانی و گردش خون وسرطان سینه نیز گزارش شده است.
کلید واژگان: روغن خراطین, زیبایی صورت, سرطان سینه, حجم دهنده, گردش خون -
در این مطالعه، نانوحامل های مزومتخلخل سیلیکای زیست سازگار همراه با توزیع منظم و یکنواخت حفره ها از منابع طبیعی هم چون سبوس برنج و گندم تحت فرایند سل- ژل برای دارورسانی پایدار به سلول های سرطان سینه همنهشت شدند. خواص فیزیکی و شیمیایی نانوحامل ها با تجزیه های XRD،FT-IR، SEM و BET بررسی شد. نانوحامل های حاصل از سبوس برنج و گندم به ترتیب دارای مساحت سطح ویژه 741 و m2/g 630 همراه با توزیع منظم و یکنواخت حفره ها با اندازه 6/2 و nm 6/3 بودند. داروی دوکسوروبیسین به عنوان داروی مدل در نانوحامل ها بارگیری و رهش دارو در دو pH 4/7 و 4/5 بررسی شد. نتایج حاکی از دو برابر شدن نرخ رهش دارو در شرایط اسیدی شبیه ساز محیط توموری بود. با بررسی سمیت سلولی نانوحامل ها روی رده های سلولی HFF-2 و MCF-7، مشخص شد که نانوحامل ها دارای زیست سازگاری بالا هستند و موجب جلوگیری از رشد و هم چنین مرگ سلول های سرطانی شده اند.
کلید واژگان: نانوذرات مزومتخلخل سیلیکا, حفره های یکنواخت, سبوس برنج, سبوس گندم, دارورسانی, سرطان سینهIn this study, biocompatible mesoporous silica nanocarriers were synthesized with the regular and uniform pore distribution from natural sources of rice and wheat husk under sol-gel process for sustainable drug delivery to breast cancer cells. The physicochemical properties of nanocarriers were investigated by XRD, FT-IR, SEM and BET analyzes. Nanocarriers obtained from rice and wheat husk had a specific surface area of 741.44 and 630.52 m2/g, respectively, with regular and uniform pore distribution with a size of 2.58 and 3.63 nm. Doxorubicin was loaded as a model drug into the nanocarriers and drug release was evaluated at pH 7.4 and 5.4. The results showed that the drug release rate doubled under acidic conditions which simulating the tumor environment. By examining the cytotoxicity of nanocarriers on the HFF-2 and MCF-7 cell lines, it was found that the nanocarriers have high biocompatibility and prevent the growth and cause to cancerous cells death.
Keywords: Mesoporous Silica Nanoparticles, Regular Pore Distribution, Rice husk, Wheat Husk, Drug Delivery, breast cancer -
نشانگرهای زیستی در تشخیص زودهنگام انوع بیماری‌ها از جمله سرطان نقش عمده‌ای دارند. بر اساس تعریف سازمان بهداشت جهانی، هر ساختار یا فرآیندی در بدن که قابل اندازه‌گیری بوده و بر پیش‌بینی یا نتیجه بیماری اثرگذار باشد، به‌عنوان نشانگر زیستی شناخته می‌شود. امروزه شناسایی نشانگرهای زیستی با استفاده از ابزارهای بیوانفورماتیک امکان‌پذیر است. مسئله تشخیص نشانگرهای زیستی در حوزه بیوانفورماتیک بیشتر به‌عنوان یک مسئله انتخاب ویژگی مطرح است. الگوریتم‌های انتخاب ویژگی متعددی در زمینه شناسایی نشانگرهای زیستی مورد استفاده قرار می‌گیرد. اما این الگوریتم‌ها یا از دقت کافی برخوردار نیستند و یا دقت لازم را داشته اما از پیچیدگی محاسباتی بالایی برخوردارند. به همین دلیل الگوریتم‌هایی که دقت بیشتری داشته‌اند، تنها به‌دلیل زمانبر بودن کنار گذاشته می‌شوند. هدف اصلی در این پژوهش انتخاب الگوریتمی با دقت بالا در شناسایی نشانگرهای زیستی است که در نهایت با استفاده از شیوه‌های موازی‌سازی، سرعت آن را بهبود بخشیم. الگوریتم انتخابی با استفاده از روشهای موازی‌سازی باز طراحی شده است و با استفاده از داده‌ای که مربوط به سرطان سینه می‌باشد، به ارزیابی روش پیشنهادی پرداخته‌ایم. در نهایت الگوریتم توانسته است با همان دقت الگوریتم اصلی، ولی با افزایش سرعتی در حدود یک و نیم برابر، خروجی مورد نظر را تولید می‌کند.
کلید واژگان: نشانگر زیستی, بیوانفورماتیک, سرطان سینه, الگوریتم موازی, الگوریتم ام.اس.وی.ام-ای.اف.ای -
ماموگرافی رایج ترین و موثرترین روش غربالگری برای تشخیص سرطان پستان است. در این تحقیق، یک سیستم کمکی برای طبقه بندی تومورهای خوش خیم و بدخیم در تصاویر ماموگرافی دیجیتال ارایه شده است. در این روش ابتدا فیلتر میانه برای حذف نویز استفاده شده و سپس مصنوعات و ماهیچه ی پکتورال در صورت وجود حذف می شوند. برای ناحیه بندی ماموگرام و استخراج ناحیه های موردنظر ابتدا یک الگوریتم جدید برای افزایش تباین نواحی مشکوک ارایه شده است که از تفاضل بهبود یافته تصویر اصلی و مکمل آن بهره می برد، سپس الگوریتم خوشه بندی C میانگین فازی بر مبنای هیستوگرام به تصویر اعمال شده و ناحیه های موردنظر با دقتی مناسب استخراج می شوند. در مرحله ی بعد ویژگی های بافت و هندسی استخراج می شوند و در نهایت طبقه بندهای ماشین بردار پشتیبان خطی و درخت تصمیم برای دسته بندی ناحیه های موردنظر به دو کلاس خوش خیم و بدخیم، استفاده می شوند. سیستم پیشنهادی بر روی تصاویر پایگاه های داده ی MIAS و DDSM آزمایش شده است. نتایج به دست آمده نشان گر این است که دقت سیستم پیشنهادی در مقایسه با تحقیقات پیشین امیدوار کننده است.کلید واژگان: سرطان سینه, ماموگرافی, افزایش تباین, ناحیه بندی, استخراج ویژگیMammography is the most common and effective screening method for breast cancer detection. In this paper a computer aided system for classification of benign and malignant tumors in digital mammogram is presented. First, a median filter is used for noise reduction, and then artifacts and pectoral muscle are removed to make the mammogram ready for segmentation. For segmentation of mammogram, a new contrast enhancement method is presented which employs the difference of two complement enhanced images and then a histogram based fuzzy C-means (HFCM) clustering are used for region-of-interest (ROI) extraction. Then, some geometrical and textural features are extracted, and finally linear support vector machine and decision tree classifier are used to classify the region of interest into benign and malignant classes. The proposed algorithm is validated on the MIAS and DDSM databases. The experimental results showed that the performance of the proposed method is promising compared to the other methods evaluated.Keywords: breast cancer, mammography, computer-aided diagnosis system, HFCM clustering, Geometrical Features
-
سرطان سینه یکی از شایع ترین سرطان ها در بین زنان است. در بسیاری از مواقع، هیچ علائم آشکاری در بیماران مبتلا به سرطان سینه مشاهده نمی شود. تشخیص دقیق سرطان سینه در مراحل اولیه برای کاهش مرگ و میر امری ضروری است. ماموگرافی به عنوان یک روش استاندارد بیش از 40 سال است که در تشخیص بیماری های سینه مورد استفاده قرار گرفته است. برای جلوگیری از تجزیه و تحلیل های ذهنی تصاویر ماموگرافی توسط رادیولوژیست ها و افزایش دقت آشکارسازی سرطان سینه، سیستم های مبتنی بر هوش مصنوعی در سال های اخیر مورد توجه زیادی قرار گرفته اند. در این مطالعه با ترکیب الگوریتم کرم شب تاب و اعمال پیش پردازش های مناسب بر روی تصویر به آشکارسازی سرطان سینه در تصاویر ماموگرافی پرداخته شده است. در این مطالعه، از تصاویر ماموگرافی موجود در مجموعه داده DDSM استفاده شد. 3 معیار عملکردی صحت، حساسیت و دقت (%4/93، 91%، 95%) برای تجزیه و تحلیل عملکرد تشخیص استفاده شد. اثر پیشنهادی در مقایسه با کارهای موجود در ادبیات عملکرد بهتری نشان می دهدکلید واژگان: الگوریتم کرم شب تاب, تصاویر ماموگرافی دیجیتال, سرطان سینه, مورفولوژیBreast cancer is one of the most common cancers among women. Many times, no obvious symptoms were identified in breast cancer patients. Accurate detection of breast cancer at the earliest stage is very much essential to reduce mortality. Mammography has been used as a gold standard for over 40 years in diagnosing breast diseases. In recent years, artificial intelligence systems have been the focus of much attention in preventing the subjective analysis of mammograms and physicians by radiologists and enhancing the accuracy of breast cancer detection. In this study, combining the firefly algorithm and applying appropriate image processing to detect breast cancer in mammographic images has been investigated. In this paper, mammographic images in the DDSM dataset were used. Three performance metrics such as sensitivity, specificity and accuracy (93.4%, 91%, 95%) were used to analyze the detection performance. The proposed work shows better performance when compared to existing work in literature.Keywords: Firefly Algorithm, digital mammography images, breast cancer, Morphology
-
با استفاده از ابزارهای داده کاوی در حوزه ی تشخیص پزشکی محدودیت هایی همچون هزینه های بالای برخی از آزمایشات یا زمان بر بودن آن ها مرتفع می گردد. به علاوه، وجود خطا در برخی از آزمایشات موجب شده تا روش های دسته بندی مورد استقبال پژوهشگران قرار گیرد. در همین راستا پژوهش جاری با تکیه بر ترکیب روش های خوشه بندی و دسته بندی روش جدیدی را برای تشخیص بدخیمی سرطان سینه ارائه نموده است که در آن عمل ترکیب با استفاده از یک الگوریتم ابتکاری تکرار شونده و الگوریتم خوشه بندی انتشار وابستگی انجام می شود. این روش با استفاده از یک الگوریتم ابتکاری وزن هایی را برای متغیرها تولید نموده و براساس الگوریتم انتشار وابستگی، خوشه های موزون تشکیل می دهد. سپس شماره خوشه ها به عنوان یک متغیر جدید به داده ها افزوده شده و در مرحله ی بعد، الگوریتم دسته بند بر روی مجموعه داده ی اصلاح شده حاوی داده های اصلی و شماره ی خوشه ها اجرا می گردد. با توجه به شاخص دقت، تولید اوزان تا رسیدن به بیشترین دقت ممکن ادامه می یابد. بر طبق آزمایشات عددی انجام شده در این پژوهش، ترکیب الگوریتم خوشه بندی انتشار وابستگی با میانگین دقت 36/98 دارای بیشترین دقت بوده است. به علاوه، آزمون فرض ویلکاکسون برتری شبکه ی عصبی ترکیبی را نسبت به سایر روش ها مورد تایید قرار داده است.کلید واژگان: خوشه بندی, سرطان سینه, ماشین بردار پشتیبان, شبکه ی عصبی مصنوعی, آزمون فرض ویلکاکسونBy using data mining tools in the field of medical diagnosis, some limitations such as the high cost of some tests or their timing will be addressed. In addition, the existence of errors in some experiments has led researchers to be welcomed by categorization methods. In this regard, the present study, based on the combination of clustering and categorization methods, has proposed a new method for the diagnosis of breast cancer. In this operation, the combination is performed using an iterative algorithm and a dependency propagation clustering algorithm. This method produces weights for variables using an innovative algorithm and forms cluster clusters based on the dependency propagation algorithm. Then the number of clusters as a new variable is added to the data, and in the next step, the block algorithm is implemented on the modified dataset containing the main data and the number of clusters. According to the accuracy index, the weights production continues to reach the highest possible precision. According to the numerical experiments conducted in this study, the combination of the dependency emission clustering algorithm with an average accuracy of 36.98 was the most accurate. In addition, the Wilcoxon assumption test confirmed the superiority of the combined neural network compared to other methods.Keywords: Clustering, Breast Cancer, Dependency Propagation Algorithm, Wilcoxon Assumption Test
-
ناحیه بندی تومورهای سرطانی در تصاویر ماموگرافی مرحله ی مهمی در سامانه های تشخیص کمک کامپیوتری (CAD) بوده و یک مساله ی پر چالش است. در این مقاله از اطلاعات ویژگی محلی (LFI-CV) بافت تصویر در مدل کانتور فعال چن-وسه برای ناحیه بندی تومور استفاده شده است. در این مدل، ابتدا نگاشت ویژگی های بافت از تصویر استخراج می شود. سپس اطلاعات ویژگی محلی بافت تصویر به عنوان مقادیر ضرایب نیروی مدل چن-وسه در نظر گرفته می شوند. به کمک این ضرایب، انرژی مدل کانتور کمینه می شود و کانتور می تواند دقیق تر بر روی مرزهای تومور قرار گیرد. اطلاعات ویژگی های بافت مورد استفاده شامل ماتریس همرخداد سطح خاکستری (GLCM) و ویژگی های گابور می باشند. عملکرد روش ناحیه بندی پیشنهادی با استفاده از مدل های کانتور فعال چن -وسه مقایسه و ارزیابی شده است. ناحیه بندی در مدل کانتور فعال پیشنهادی با نگاشت های ویژگی کنتراست، آنتروپی و گابور در جهت و نسبت به مدل های کانتور چن- وسه دیگر در تکرار کمتر همگرا می شود. نتایج نشان می دهند که روش ناحیه بندی پیشنهادی برای ویژگی بافت گابور در جهت نتایج ناحیه بندی مطلوبی نسبت به روش های کانتور فعال چن-وسه دیگر از لحاظ زمان، تعداد تکرار، دقت و حساسیت ناحیه بندی دارد. تصاویر استفاده شده در این مطالعه از پایگاه داده جامعه ی تحلیل تصاویر ماموگرافی (MIAS) اخذ شده اند.کلید واژگان: سرطان سینه, تشخیص کمک کامپیوتری, ماموگرافی, ناحیه بندی تومور سرطانی, ویژگی بافت, کانتور فعال چن وسه با اطلاعات ویژگی محلیCancerous tumor segmentation in mammogram images is an important stage and a challenging problemin computer aided detection (CAD) systems. In this paper, local feature information and Chan-Vese(LFI-CV)active contour modelare used for tumor segmentation. First, the texture feature mapsof mammograms are extracted. The utilized texture feature information includes gray level co-occurrence matrix (GLCM) and Gabor features. Using this information,the force values ofChan-Vese model are set and active contour model’s energy is minimized.As a result, the contour accurately segments the tumor. The results show that tumor segmentation using the proposed active contour modelandGabor texture feature at orientationis efficient in regard to the number of iterations, accuracy, and sensitivity. The mini-MIAS database is used for evaluation.Keywords: breast cancer, Computer aided detection, mammography, Cancerous tumor segmentation, Texture feature, Local feature information, Chan-Vese active contour model
-
امروزه استفاده از ابزارهای یادگیری ماشین در حوزه های مختلف ازجمله تشخیص بیماری ها در حال گسترش است. علت این امر را می توان عملکرد متغیر و متمایل به خطای انسان در مقابل عملکرد ثابت ابزارهای یادگیری ماشین در زمینه تشخیص و طبقه بندی دانست. حیاتی بودن تشخیص در حوزه هایی مانند پزشکی، نیاز به بهبود تشخیص با روش های یادگیری ماشین را توجیه می کند. ازجمله روش های افزایش دقت در این زمینه، الگوریتم های کاهش ویژگی و یادگیری ویژگی هستند. در این مقاله با ارائه یک روش یادگیری ویژگی، دقت روش های مبتنی بر یادگیری ماشین افزایش یافته است. روش پیشنهادی شامل سه فاز افزایش کیفیت داده، انتخاب ویژگی و یادگیری ویژگی است. در فاز اول، مقادیر ازدست رفته با شاخص پراکندگی میانگین و یا مد جایگزین می شوند در فاز دوم، الگوریتمی مبتنی بر الگوریتم شبیه سازی تبرید برای کاهش ویژگی و یافتن بهترین زیرمجموعه از ویژگی ها ارائه شده است. در فاز نهایی نیز الگوریتمی مبتنی بر الگوریتم برنامه نویسی ژنتیک به منظور یادگیری ویژگی های متمایزکننده ترکیبی ارائه شده است. روش پیشنهادی با استفاده از دو مجموعه داده استاندارد WBCD و WDBC ارزیابی شده است. نتایج به دست آمده با آخرین دستاوردها مقایسه شده است که حاکی از عملکرد بهبودیافته الگوریتم پیشنهادی است.کلید واژگان: یادگیری ماشین, یادگیری ویژگی, برنامه نویسی ژنتیک, کاهش ویژگی, سرطان سینهNowadays using machine learning tools in different areas such as disease detection is expanding. Origins of this expansion can be found in human's unstable performance and stable performance of machine learning tools. Criticality of detection in areas such as medical proves the need for improvement in machine learning methods. feature reduction and feature learning are two ways that cause to precision increment. In this paper precision of machine learning algorithms is increased by feature learning. The proposed method contains three steps: data quality increment, feature selection, and feature learning. In the first step missing values are replaced with mean or mode (distribution index). In the second step a simulated annealing-based algorithm is presented to utilized as feature selection process and finding the best subset of features. In the final step, a genetic programming algorithms is presented to do the feature learning step. The proposed method is evaluated on two benchmark datasets (WBCD and WDBC). The results show performance improvement in machine learning algorithms in terms of precision if the proposed method used.Keywords: machine learning, feature learning, genetic programming, feature reduction, breast cancer
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.