عنوان پایان‌نامه
شناسایی و طبقه بندی میکروکلسیفیکاسیونها در تصاویر ماموگرافی با استفاده از ترکیب اطلاعات حاصل از تبدیل موجک شبکه های عصبی و SVM
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 41711;کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E 1612
- تاریخ دفاع
- ۱۷ مرداد ۱۳۸۸
- دانشجو
- رضا تقی زاده ارجمند
- استاد راهنما
- سیدکمال الدین ستاره دان
- چکیده
- سرطان سینه بعنوان یکی از خطرناکترین نوع سرطان در میان زنان محسوب می¬گردد و دومین عامل مرگ و میر در خانواده سرطان را در این قشر به خود اختصاص می¬دهد. ماموگرافی بعنوان قدیمی¬ترین نوع تصویربرداری از بافت سینه، در حال حاضر رایجترین روش برای تصویربرداری از بافت سینه بشمار می¬رود. یکی از شایعترین علائم سرطان سینه، وجود میکروکلسیفیکاسیونها در این بافت می¬باشند. لذا، تشخیص این عامل از روی تصاویر ماموگرافی نسبت به دیگر علائم، از اهمیت بیشتری برخوردار می¬باشد. از طرفی، از آنجائیکه میکروکلسیفیکاسیونها در ماموگرامها دارای الگوهای گوناگونی بوده و دارای اندازه¬های خیلی کوچکی می¬باشند، تشخیص آنها اگر بصورت خوشه¬های متمرکز نباشند بسیار دشوار می¬باشد. از اینرو، بعلّت تعداد زیاد مراجعه کنندگان، خطا و خستگی چشم رادیولوژیستها یا کم¬تجربگی آنها در 20 الی 30 درصد موارد، این علائم از نظر رادیولوژیستها به دور می¬مانند. بررسیها نشان داده است که هرگاه ماموگرامها توسط دو پزشک مورد بررسی قرار گرفته¬اند، نتایج تشخیصی بهتری حاصل شده است. بنابراین، با توجه به معایب فوق در یافتن میکروکلسیفیکاسیونها توسط پزشک و نیز نقش اساسی شناسایی بهنگام این علائم, ضرورت اجرای روشهای اتوماتیک به خوبی احساس می‌گردد. در نتیجه، روشهایی که بتوانند در عین سادگی، علاوه بر سرعت بخشیدن به آنالیز تصاویر، از دقت بالایی نیز برخوردار باشند، ارزشمند می¬باشند. لذا هدف از انجام این پروژه ارائه روشهایی مبتنی بر آنالیز تصویر برای شناسایی میکروکلسیفیکاسیونها در تصاویر ماموگرام می¬باشد، بگونه¬ای که روش پیشنهادی دارای سرعت و دقت بالایی باشد. بطور کلی، روش پیشنهادی ما برای این منظور از سه مرحله اصلی تشکیل شده است. این سه مرحله، شامل پیش¬پردازش و انتخاب نقاط مشکوک به میکروکلسیفیکاسیون، استخراج ویژگی از این نقاط و دسته¬بندی ویژگیهای استخراج شده می¬باشد. به منظور پیش¬پردازش این تصاویر از دو روش بهره جستیم که عبارتند از: تبدیل Contourlet و فیلتر DoOG که نتایج حاصله از فیلتر DoOG رضایت¬بخشتر بود. نتیجه اعمال این پیش¬پردازش، تصویری است که کنتراست بهتری را نسبت به تصویر اصلی دارا می¬باشد. سپس، با اعمال آستانه تطبیقی و مناسب بر اساس اطلاعات هیستوگرام هر تصویر، نقاط مشکوک به میکروکلسیفیکاسیون انتخاب می¬گردند. در مرحله بعدی، به منظور کمّی¬کردن ویژگیهای استخراج شده، سعی برآن شده است که حتی¬الامکان از ویژگیهایی استفاده گردد که رادیولوژیست در بررسی ماموگرام توسط چشم از آنها استفاده می¬کند. بنابراین برای نیل به این هدف، بعد از اعمال این پیش پردازشها، از ویژگیهای شکلی، ویژگیهای شدت روشنایی و ویژگیهای بافتی که شامل الگوی باینری محلی، موجک و ماتریس هم¬وقوعی می¬باشد، برای استخراج ویژگی استفاده نمودیم. در مرحله آخر از شبکه عصبی و ماشین بردار پشتیبان بعنوان دسته¬بندی¬کننده استفاده شده است. تصاویر حاصله بعد از اعمال دسته¬بندی¬کننده¬ها بدست آمده و تصاویر نهایی بازسازی شدند. برای ارزیابی کمّی روشهای پیشنهادی، نتایج بدست آمده توسط الگوریتمهای پیشنهادی را با نتایج تشخیص یک متخصص با استفاده از دو معیار بصورت موضعی و همچنین در کل بافت سینه مقایسه نمودیم. بر اساس این معیار، نتیجه کلی بدست آمده برای شناسایی میکروکلسیفیکاسیونها در حدود 84/86% در داخل دایره¬های صحت و 97/82% در کل تصویر می¬باشد. بهترین نتیجه وقتی حاصل شد که ما از پیش¬پردازش توسط فیلتر DoOG و الگوی باینری محلی بعنوان دسته ویژگی بافتی و SVM بعنوان دسته¬بندی¬کننده استفاده ¬کردیم. کلمات کلیدی: (سرطان سینه- ماموگرافی- میکروکلسیفیکاسیون- DoOG- الگوی باینری محلی- SVM)
- Abstract
- Breast cancer is one of the most dangerous diseases in women community. This cancer is the second cause of death in cancer family. Mammography, as the oldest kind of imaging of breast tissue is the prevalent method. One of the most regular symptoms of breast cancer is the existence of microcalcifications in this tissue. Therefore, detection of this symptom in mammograms in comparison with other symptoms is more valuable. If microcalcifications don’t locate in clusters, as they are so small and have different kind of patterns, detecting will be so difficult. So, because of the large number of patience, error and fatigue of radiologist's eyes or lack of their experience in 20 till 30 percents of cases, these symptoms are missed. Surveys showed that, whenever mammograms are checked by two radiologists, results of diagnosis improved excessively. Hence, these flaws in detection of microcalcifications by radiologists and the worthiness of their early detection, explains the necessity of automatic methods. Therefore, simple methods that have acceptable speed in image analysis and have reasonable accuracy are worthy. The aim of this project is representing method, based on image analysis to detect microcalcifications in mammograms in a way that, proposed method includes reasonable speed and accuracy. As a whole, our method consists of three steps which are: pre-processing and selecting some pixels as candidate for microcalcification, extracting features from these pixels and classifying of theses extracted features. To achieve to our goal, in pre-processing step we used two different methods: Contourlet transform and Difference of Offset Gaussian (DoOG) filter. The result of DoOG was more acceptable than the first method. The result of applying this pre-processing is an image, which has better contrast in comparison with the main one. Then, with applying adaptive threshold based on the histogram information of each image, pixels which are suspicious to microcalcification are selected. In the next step, to quantify the extracted features, I have tried to use some features that radiologists use, when they want to analyze the mammograms. After pre-processing step, in order to get our aim, to extract features, I have used morphological features, features based on gray scale and texture features which consist of local binary pattern, wavelet and co-occurrence matrix. In the last step, I have used neural network and support vector machine as classifiers. After applying classifiers, images reconstructed. To evaluate the proposed methods, the results of proposed algorithms are compared with the diagnosis of the radiologist using two criterions. These criterions are measured not only in the whole images but also locally in images. The last result of detection of microcalcifications in the accuracy circles was 86/84% and in the whole images was 82/97%. The best result has gotten when, we have applied DoOG filter in pre-processing part, local binary pattern as our texture feature and SVM as classifier.
