آشکارسازی و دسته بندی تمام خودکار نواحی مشکوک در تصاویر ترموگرام سینه جهت تشخیص زودهنگام سرطان

سرطان سینه رایج ترین نوع سرطان در بین زنان میباشد. مطالعات پاتولوژیک نشان داده اند بیش از80% ناهنجاری های سینه در مراحل اولیه خوش خیم بوده، فلذا کلیدی ترین مساله در درمان آن تشخیص زودهنگام می باشد. ترموگرافی مادون قرمز سینه یک روش تصویرگیری مبتنی بر ثبت الگوهای توزیع دمایی بافت سینه بوده و در مقایسه با ماموگرافی سینه به دلیل غیرتهاجمی، غیرتماسی، غیرفعال بودن و عدم استفاده از تابش یونیزان روشی بسیار مناسب درتشخیص زودهنگام سلول های سرطانی می باشد. در این مقاله روشی به منظور آشکارسازی خودکار نواحی مشکوک در تصاویر ترموگرام سینه با هدف یاری رساندن به پزشکان در تشخیص زودهنگام این سرطان ارائه شده به نحوی که دقت را افزایش و درصد پذیرش اشتباه را کاهش میدهد. الگوریتم شامل 4 بخش اصلی پردازش تصویر، استخراج ویژگی، انتخاب ویژگی و طبقه بندی می باشد. در مرحله پردازش، ابتدا براساس عملیاتی تمام اتوماتیک، ناحیه مطلوب تعیین و کیفیت تصاویر ارتقاء یافته و سپس سینه راست و چپ از یکدیگر جدا می شوند. سپس درایه های ماتریس تصویر نرمال سازی شده و نواحی نسبی مشکوک تعیین می شوند. پس از آن در مرحله استخراج ویژگی، ویژگی های آماری، ویژگی هایی مبتنی بر هیستوگرام، ویژگی هایی مبتنی بر ماتریس هم وقوعی (GLCM)، ویژگی هایی بر اساس مورفولوژی نواحی مشکوک و ویژگی هایی در حوزه فرکانس از هر یک از نواحی بخش بندی شده سینه راست وچپ استخراج می شود. در ادامه برای دستیابی به بهترین ویژگی ها، روش های انتخاب ویژگی (mRMR)، (SFS)، (SBS)، (SFFS)، (SFBS) و (GA) به کار گرفته می شود. نهایتا جهت طبقه بندی و تعیین THها، روش های مختلف طبقه بندی مانند AdaBoost، (SVM)، (KNN) (NB) و (PNN) مورد ارزیابی قرار گرفته تا از مناسب ترین آن به منظور طبقه بندی ویژگی ها استفاده شود. نتایج به دست آمده روی پایگاه داده بومی، بیان کننده ی کارایی قابل توجه روش پیشنهادی است. با توجه به نتایج، ترکیب mRMR با AdaBoost با ماکزیمم دقت 92%، و ترکیب SFFS با AdaBoost با ماکزیمم دقت 88%، بهترین ترکیبات به دست آمده روی تصاویر سینه راست و چپ ارزیابی شدند.