تشخیص سرطان دهانه ی رحم در تصاویر پاپ اسمیر با استفاده از ویژگی های بافتی و هندسی

یکی از سرطان های شایع در بین زنان، سرطان دهانه ی رحم است که پزشک می تواند از یک سیستم کامپیوتری تشخیصی به منظور تشخیص سریع تر و راحت تر بهره مند شود. هدف از انجام این مطالعه، طبقه بندی سلول های دهانه ی رحم در تصاویر تست پاپ اسمیر به دو گروه طبیعی و غیر طبیعی بود.

در این مقاله، از پایگاه داده ی عمومی Herlev استفاده شد. این پایگاه داده، شامل 917 سلول می باشد. تعداد 35 ویژگی هندسی و 263 ویژگی بافتی نظیر ویژگی های ماتریس های هم رخداد (Gray level co-occurrence matrix یا GLCM)، الگوی محلی دودویی (Local binary pattern یا LBP) و هیستوگرام گرادیان چرخشی از تصاویر سلول استخراج شد. سپس، تعداد 5، 10، 15 و 20 ویژگی برتر با استفاده از آزمون t انتخاب شد. ارزیابی مورد استفاده در این مقاله، به صورت 10 قسمتی بود و نتایج طبقه بندهای ماشین بردار پشتیبان، درخت تصمیم، K نزدیک ترین همسایگی و روش ترکیبی گزارش شد.

الگوریتم طراحی شده در طبقه بندی ماشین بردار پشتیبان به دقت 5/97 درصد در طبقه بندی دو کلاس در 20 ویژگی دست پیدا کرد.

ویژگی های هندسی از قدرت بسیار بالایی در تفکیک سلول های طبیعی و غیر طبیعی برخوردار هستند. به منظور افزایش دقت در تشخیص از ویژگی های بافتی هیستوگرام گرادیان چرخشی به عنوان مکمل ویژگی های هندسی استفاده کرد. در صورت بهینه کردن تعداد ویژگی ها و انتخاب درست مجموعه ی ویژگی، می توان میزان انحراف از معیار را 3-2 درصدکاهش داد و زمان پردازش را بهینه تر کرد.