روش جدید آسیب شناسی توده ها در تصاویر ماموگرافی به کمک ترکیب ویژگی های منطبق بر استاندارد BI - RADS و کلاسه بندی کننده مبتنی بر تضاد

تفکیک توده های خوش خیم و بدخیم در ماموگرام های دیجیتالی یکی از مراحل بسیار مهم تشخیص زودهنگام سرطان سینه است، چرا که می تواند تا حد زیادی شانس بقای بیمار را افزایش دهد. در این مقاله یک سیستم CADx نوین با به کارگیری کلاسه بندی کننده جدید مبتنی بر تضاد (OWBP) جهت آسیب شناسی توده ها در تصاویر ماموگرافی معرفی خواهد شد. هدف، بهبود عملکرد و سرعت یادگیری الگوریتم های CADx با استفاده از ترکیب ویژگی های منطبق بر استاندارد BI-RADS و کلاسه بندی کننده پیشنهادی می باشد. ورودی سیستم یک ROI بوده که حاوی یک توده مشکوک است. این ناحیه ابتدا تحت پیش پردازش هایی قرار گرفته، سپس 12 ویژگی که توصیف کننده های مناسبی از شکل، مرز و چگالی توده هستند، استخراج می شوند. منحنی ROC و عملکرد آسیب شناسی حاصل از ترکیب تمام این ویژگی ها توسط دو کلاسه بندی کننده با یادگیری متداول پس انتشار و یادگیری پیشنهادی OWBP ارزیابی شده و سیستم های حاصل از لحاظ سرعت یادگیری نیز مورد مقایسه قرار گرفته اند. همچنین در این تحقیق قابلیت آسیب شناسی هر گروه از ویژگی های شکل، مرز و چگالی به طور جداگانه بررسی شده است. پایگاه داده مورد استفاده در این تحقیق MIAS است. سیستم نهایی پیشنهادی دارای 0.924 Az، با سرعت یادگیری تقریبا 4 برابر سرعت یادگیری سیستم با کلاسه بندی کننده پس انتشار و همچنین عملکرد 92.86% می باشد.