یک روش هیبریدی جدید جهت قطعه ‎بندی و تشخیص تومورهای موجود در تصاویر ماموگرافی بافت پستان

سرطان پستان یکی از شایع‎ترین بیماری های زنان است. شناسایی و مرزبندی توده ها و تشخیص تومورهای موجود در بافت پستان از چالش‏های جدی در تشخیص این سرطان است. در حال حاضر ماموگرافی، متداول‏ترین راه تشخیص تومورهای موجود در پستان می‏باشد که عدم شناسایی صحیح مرز توده ها در آن می‏تواند منجر به تشخیص یا نمونه‎برداری نادرست از بافت پستان ‎شود. هدف این مقاله، معرفی یک روش هیبریدی هوشمند جدید برای شناسایی و مرزبندی تومورهای پستان در تصاویر ماموگرافی است که تشخیص خودکار خوش خیم یا بدخیم بودن تومور را تسهیل کند.
در این مطالعه از داده های پایگاه داده DDSM که شامل 150 تصویر ماموگرافی حاوی تومورهای خوش‎خیم و 150 تصویر ماموگرافی حاوی تومورهای بدخیم است، استفاده شد. پس از حذف نواحی اضافی مانند پس‎زمینه، با قطعه‎بندی تصاویر ماموگرام بر مبنای هیستوگرام تصویر و ترکیب تبدیل موجک و الگوریتم ژنتیک و نیز مورفولوژی ریاضی مرز تومور استخراج شد. همچنین علاوه بر الگوریتم ژنتیک، الگوریتم های بهینه‎سازی کلونی مورچگان و بهینه‎سازی ازدحام ذرات نیز برای قطعه‎بندی تصاویر ماموگرافی مورد استفاده و مقایسه قرار گرفتند.
یافته ها: الگوریتم هیبریدی پیشنهادی صحت خوب و سرعت بالایی در قطعه‎بندی تصاویر ماموگرافی جهت تشخیص تومورهای پستان دارد. برای طبقه‏بندی تومورها، قطعه‏بندی با استفاده از الگوریتم ژنتیک نسبت به الگوریتم بهینه سازی کلونی مورچگان و بهینه‏سازی ازدحام ذرات صحت بالاتری دارد. مرزبندی تومورهای شناسایی شده در تصاویر حاصل از قطعه‎بندی با الگوریتم هیبریدی پیشنهادی، منجر به صحت طبقه‏بندی 4/91% (طبقه‏بندی به دو دسته خوش‏خیم و بدخیم) شده است که مطلوب است.
نتیجه گیری: الگوریتم هیبریدی پیشنهادی، الگوریتمی سریع و کارآمد برای قطعه‎بندی تصاویر ماموگرافی و مرزبندی تومورهای پستان است. نتایج این مطالعه نشان داد که اولا روش هوشمند ارایه شده، دارای صحت مناسب جهت کمک به تشخیص رادیولوژیست‎ها و تا حدودی حذف مرحله نمونه‎برداری از بافت پستان می‏باشد. ثانیا بین سه الگوریتم ژنتیک، بهینه سازی کلونی مورچگان، و بهینه‏سازی ازدحام ذرات، الگوریتم ژنتیک منجر به صحت بالاتر طبقه‏بندی تومورها می‏شود.