به کارگیری الگوریتم GBC جهت افزایش دقت تشخیص و حذف نویز ضربه در تصاویر ماموگرافی مبتنی بر شبکه عصبی MLP

سرطان پستان به رغم انتشار گسترده، به کمک تصاویر ماموگرافی و علایم بالینی بیمار قابل شناسایی به موقع و معالجه قطعی است. حذف اختلال های ناخواسته نظیر نویزها و بهبود کیفیت تصاویر ماموگرافی، در افزایش دقت تشخیص سرطان موثر می باشد. نویزهای ضربه در تصاویر ماموگرافی دیجیتال به گونه ای است که در آن اختلاف شدت پیکسل نویزی با پیکسل های اطراف زیاد است. وجود علایم و ویژگی های مختلف این بیماری، تشخیص را برای پزشکان دشوار می کند. پردازش تصاویر ماموگرافی امکان تحلیل وضعیت بیماران برای تصمیم گیری های پزشکی را فراهم می کند. هدف این مقاله، ارایه یک مدل برای حذف نویز ضربه از تصاویر ماموگرافی به منظور افزایش دقت پیش بینی سرطان پستان است.
در این مطالعه، تصاویر ماموگرافی 574 بیمار مبتلا به سرطان پستان مورد بررسی قرار گرفته است. اطلاعات بیماران از پایگاه داده بیمارستان فوق تخصصی مرتاض یزد جمع آوری شده است. به منظور ارایه مدل برای حذف نویز ضربه از تصاویر ماموگرافی از الگوریتم GBC و شبکه عصبی MLP استفاده می شود.
مدل پیشنهادی با روش هایی از قبیل MDBUTMF و ATSM مورد مقایسه قرار گرفت. نتایج شبیه سازی برتری دقت تشخیص و حذف نویز ضربه از تصاویر ماموگرافی مدل پیشنهادی نسبت به سایر روش ها را نشان می دهد. همچنین PSNR تصویر به طور متوسط dB2 افزایش می یابد.
در حذف نویز ضربه به منظور پیش بینی سرطان پستان، مدل پیشنهادی نسبت به سایر مدل های مورد مقایسه دارای حداقل میزان خطا و بیش ترین دقت و صحت است. روش ATSM، حداکثر میزان خطا و کم ترین دقت را دارا می باشد.