توصيفگر ها :
سرطان سينه , نمايش تُنك پيچشي , تشخيص مكان نوك سينه , تعيين ناحيه مطلوب ماموگرافي , مدل دسته بندي دو سطحي , ماژول تركيب
چكيده فارسي :
امروزه سرطان‌سينه به يكي از مهم‌ترين عوامل مرگ و مير زنان تبديل شده است كه به دليل تغيير سبك زندگي و عادات غذايي در حال افزايش است. تشخيص زود هنگام و درمان به موقع بيماري در همان مراحل اوَليه ضروري خواهد بود. در جوامع پزشكي جهت تشخيص بيماري در سينه از روش‌هاي متفاوتي مانند معاينات باليني، بيوپسي و تصوير‌برداري استفاده مي‌شود كه در اين ميان تصوير‌برداري ماموگرافي از عموميت بيشتري برخوردار است. ماموگرافي جهت تشخيص سرطان سينه در زنان بالاي 40 سال مناسب مي‌باشد، امّا به دليل تهاجمي بودن اشعهٔ آن، براي غربالگري كمتر استفاده مي‌شود. بر همين اساس پزشكان ترجيح مي‌دهند از روش‌هاي غير تهاجمي مانند تصوير‌برداري ترموگرافي كه وضعيت سينهٔ بيمار را براساس الگوي تغييرات حرارتي ارائه مي‌دهد و نقش هشدار دهنده دارد جهت تشخيص و غربالگري استفاده كنند. همچنين با توجه به اينكه تصاوير ماموگرافي به تنهايي قادر به تشخيص دقيق بيماري نيست، تصميم گرفتيم تا تصاوير ترموگرافي، ماموگرافي، ويژگي‌هاي فيزيكي و فردي بيمار را دركنار هم بررسي نموده و وضعيت سينه چپ و راست را به صورت مجزا و با دقت بيشتري تحليل و پيش‌بيني نمائيم. در انتها وضعيت نهايي هر بيمار را تعيين كنيم. در گام اوَل تصاوير ماموگرافي را پيش پردازش نموده و نواحي غير ضروري در هر دو زاويه تصويربرداي را حذف كرديم. در ادامه از تصاوير حاصل به كمك سه روش متفاوت ويژگي استخراج نموديم . سپس به كمك بهترين روش تصاوير را با دقت 97 درصد و خطاي 3 درصد در دو كلاس سالم و ناسالم دسته‌بندي نموديم. در گام دوم در تصاوير ترموگرافي با توجه به اهميت بافت نوك سينه ابتدا به كمك تبديل هاف دايره‌اي، مكان نوك سينه را تعيين كرده و ناحيه اطراف آن را انتخاب مي‌كنيم. از تصاوير ترموگرافي و منطقه اطراف نوك سينه ويژگي استخراج نموده و به كمك مدل دو سطحي مبتني بر دو مدل مجزا امّا مرتبط به هم، تصاوير را در سه كلاس سالم، خوش‌خيم و بدخيم با دقت 91 درصد و ميزان خطاي 9 درصد تقسيم نموديم. در گام سوم بر اساس برچسب‌هاي پيش‌بيني شدهٔ هر سينه در تصاوير ترموگرافي و ماموگرافي به كمك روش وزن‌دهي ويژگي‌ها در مواردي كه ابهام وجود دارد از ويژگي‌هاي فيزيكي استفاده نموده و وضعيت سينهٔ بيمار را پيش‌بيني مي‌كنيم.
چكيده انگليسي :
Nowadays, breast cancer has become one of the most important causes of death in women, which is increasing due to change in lifestyle and eating habits. Early detection and treatment of the disease will be essential in the primary stages. In the medical community, different methods such as clinical examination, biopsy, and imaging are used to diagnose breast disease, which mammography imaging is more common. Mammography is suitable for diagnosing breast cancer in women over 40 years but is less commonly used for screening because radiation is more aggressive. Accordingly, physicians prefer to use non-invasive methods such as thermography imaging, which presents the patientʹs breast condition based on the pattern of thermal changes and has a warning role, for diagnosis and screening.
Also, considering that mammography images alone are not able to accurately diagnose the disease, we decided to examine the thermography images, mammography, physical and personal characteristics of the patient together and categorize the left and right breast images separately and more carefully. Finally, determine the final status of each patient. In the first step, we pre-processed the mammography images and removed the unnecessary areas at both angles of the image. In the following, we extracted features from the obtained images using three different methods. Then, with the help of the best method, we categorized the images with 97% accuracy and 3%error into two classes, normal and abnormal.
In the second step in thermography images, due to the importance of the tissue of the nipple, we first determine the location of the nipple and select the area around it with the help of a Circular Huff Transform. We extracted features from thermography images and the area around the nipple and divided them into three classes of Normal, Benign and Malignant with 91% accuracy and 9% error rate using a two-level model based on two separate but related models. In the third step, based on the predicted labels of each breast in thermography and mammography images, using the weighting method of features, in cases where there is ambiguity, we use physical features and predict the patientʹs breast condition.
