پديد آورنده :
توكلي، نسرين
عنوان :
آشكارسازي سرطان پستان در تصاوير ماموگرافي
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
هوش مصنوعي
محل تحصيل :
اصفهان: دانشگاه صنعتي اصفهان، دانشكده برق و كامپيوتر
صفحه شمار :
هشت، ۹۲ص.: مصور، جدول، نمودار
استاد راهنما :
شادرخ سماوي، نادر كريمي
توصيفگر ها :
سيستم تشخيص , سرطان پستان , ماموگرافي , ديكشنري , نمايش تُنُك , يادگيري عميق
استاد داور :
رسول اميرفتاحي
تاريخ ورود اطلاعات :
1397/04/11
رشته تحصيلي :
برق و كامپيوتر
دانشكده :
مهندسي برق و كامپيوتر
چكيده فارسي :
4 چكيده سرطان پستان يك بيماري كشنده است كه در بافت پستان ايجاد ميشود اين بيماري عمدتا قشر زنان را تحت تأثير قرار ميدهد اگرچه ممكن است مردها هم به اين بيماري مبتال شوند به گفته انجمن سرطان آمريكا در سال 1102 تقريبا از هر 9 زن 1 زن به اين بيماري مبتال بوده است و تصاوير ماموگرافي بهعنوان يكي از بهترين ابزارها براي تشخيص اين بيماري در مراحل اوليه معرفي شده است نرخ مرگ و مير سرطان پستان را ميتوان با تشخيص و درمان زودهنگام كاهش داد سيستمهاي تصميمگيري و تشخيص به كمك كامپيوتر از روي تصاوير ماموگرافي در تشخيص مراحل اوليهي سرطان پستان به پزشكان متخصص كمك ميكنند عملكرد اين سيستمهاي تشخيص كامپيوتري عموما شامل چهار مرحلهي اصلي پيشپردازش استخراج نواحي مطلوب از بافت پستان استخراج ويژگي و كالسبندي ميشود اگر چه تا كنون روشهاي زيادي براي تشخيص سرطان ارائه شده است اما هنوز مسئلهي آشكارسازي سرطان پستان به كمك كامپيوتر بهعنوان يك چالش باقي مانده است چرا كه با توجه به بافت نسبتا پيچيدهي پستان تفكيك تودهها از ساير نواحي متراكم در بافت پستان مشكل است از طرفي گاهي اوقات اندازهي اختالالت در حدي كوچك است كه از ديد متخصصين پنهان ميماند لذا با توجه به اهميت زياد وجود يك سيستم تشخيص خودكار در اين تحقيق دو روش آشكارسازي سرطان كه يكي مبتني بر يادگيري ديكشنري روي نمايش ت ن ك ويژگي و ديگري مبتني بر شبكهي عصبي كانوولوشن CNN است ارائه ميشود در اين روشها مرحلهي پيشپردازش شامل حذف نواحي نامربوط از تصوير ماموگرافي استخراج ناحيهي بافت پستان حذف عضلهي سينه و بهبود كنتراست تصاوير ماموگرافي ميشود سپس در روش مبتني بر ديكشنري ويژگي DSIFT پنجرهي اطراف هر پيكسل در بافت پستان استخراج ميشود و بهصورت نمايش ت ن ك ارائه ميشود اين دادههاي ت ن ك به ديكشنري و كالسبند خطي داده ميشوند تا مطابق با الگوريتم LC KSVD بهطور همزمان يادگيري شوند در انتها از ديكشنري و كالسبند خطي يادگيري شده براي كالسبندي تصاوير آزمون استفاده ميشود در روش پيشنهادي دوم كه مبتني بر شبكهي CNN است پس از مرحلهي پيشپردازش تعدادي بلوك نرمال و غيرنرمال از تصاوير ماموگرافي استخراج شده و بهعنوان ورودي به شبكه داده ميشود و پس از يادگيري از وزنها و باياسهاي بهدست آمده در شبكه در مرحلهي آزمون استفاده ميشود و در انتها بهمنظور افزايش دقت سيستم يك مرحلهي پسپردازش روي تصاوير خروجي شبكه انجام ميگيرد در مرحلهي ارزيابي روشهاي پيشنهادي معيار sensitivity در روش مبتني بر ديكشنري به مقدار 33 39 و در روش مبتني بر شبكهي CNN به مقدار 76 69 رسيده است از طرفي براي معيار AUC در روش مبتني بر ديكشنري مقدار 49 0 و در روش مبتني بر CNN مقدار 79 0 بهدست آمده است كه مقايسهي نتايج روشهاي پيشنهادي با ديگر روشهاي موجود در اين زمينه نشان از عملكرد خوب اين روشها دارد كلمات كليدي 1 سيستم تشخيص 2 سرطان پستان 3 ماموگرافي 4 ديكشنري 5 نمايش ت ن ك 6 يادگيري عميق
چكيده انگليسي :
93 Detection of breast cancer in mammographic images Nasrin Tavakoli nasrin tavakoli@ec iut ac irSupervisor Dr Shadrokh Samavi samavi96@cc iut ac ir Dr Nader Karimi nader karimi@cc iut ac irAbstractBreast cancer is a fatal disease that originates in breast tissue The disease could affect themajority of women although men may also be affected According to the American CancerSociety almost one in nine women is estimated to develop breast cancer Hence mammograms have been introduced as one of the best tools to diagnose the disease at an earlystage The mortality rate of breast cancer can be reduced by early diagnosis and treatment Thecomputer aided diagnostic systems help expert physicians to identify the early stage of breastcancer by mammograms The function of these computer diagnostic systems generallyconsists of four main stages including preprocessing extraction of a region of interest ROI features extraction and classification Although many diagnosis methods are introduced so far the problem of diagnosing breast cancer automatically by using computers has remained as achallenge due to the complexity of the breast tissue that makes the mass difficult to separatefrom other dense regions of the breast tissue Moreover sometimes the size of the disorder istoo small to be seen by experts Therefore considering the great importance of the existenceof an automatic diagnostic system for breast cancer we represent two methods for detectingbreast cancer in this study The first method is based on discriminative dictionary learning onDSIFT descriptors and the second method is based on deep convolutional neural network CNN The pre processing stage consists of extracting breast tissue removing muscle fromthe breast and improving the contrast of the mammograms Then DSIFT feature is representedas a sparse coding in a dictionary based method The sparse representations of DSIFTDescriptors are given to the dictionary and linear classifier to learn simultaneously accordingto the LC KSVD algorithm After training the dictionary and the linear classifier they wouldbe used in order to classify test images In the second proposed method which is based on theCNN after the preprocessing phase a number of normal and abnormal blocks of themammography images are extracted and inputted to the network After training CNN theobtained weights and biases in the network would be used at the test stage In the end withthe aim of improving the accuracy of the system s detection a post processing stage isperformed on the system output images in both methods In the evaluation phase thedictionary based method shows 93 33 sensitivity and AUC 0 94 and the CNN basedmethod shows 96 67 sensitivity and AUC 0 97 that comparing the results with othermethods in this field demonstrates the good performance of these methods Keywords Diagnosis system breast cancer mammography dictionary sparse coding deep learning
استاد راهنما :
شادرخ سماوي، نادر كريمي
استاد داور :
رسول اميرفتاحي
