دانلود ترجمه مقاله مطالعه ای بر رویکردهای طبقه بندی تصاویر مربوط به سرطان سینه

1. مقدمه 2. روش 2.1. نمایش تصویر 2.2. شبکه‌های عصبی 3. ارزیابی 3.1. شرح مجموعه‌داده 3.2. شرح شبکه عصبی 3.3. نتایج 4. نتیجه‌گیری

مقدمه: تشخیص سرطان سینه به وسیله‌ی بافت‌برداری انجام می‌شود. بافت‌برداری یک روش آزمایشگاهی است و توسط یک متخصص پاتولوژی جهت تشخیص سرطان انجام می‌شود. متخصص پاتولوژی (بافت‌شناس) نمونه‌هایی از بافت‌های ناحیه‌ی پستان را جمع‌آوری می‌کند. روش‌های متعددی برای جمع‌آوری نمونه‌ها از بافت‌های پستان وجود دارند. این روش‌ها عبارتند از نمونه‌برداری با سوزن باریک، نمونه‌برداری با سوزن هسته (سوزن بزرگتر)، بافت‌برداری با سوزن هسته، بافت‌برداری با کمک خلاء و بافت‌برداری با جراحی، Filipczuk و همکارانش (2013). سپس، این بافت‌های سرطان با استفاده از میکروسکوپ مورد تحلیل و بررسی قرار می‌گیرند. تصاویر به دست آمده از میکروسکوپ، تصاویر هیستوپاتولوژی نیز نامیده می‌شوند. متخصص پاتولوژی تصاویر هیستوپاتولوژی را تحلیل و بررسی نموده و آنها را به عنوان تصاویر سرطانی یا غیرسرطانی دسته‌بندی می‌کند. آن دسته از روش‌های تشخیص سرطان سینه که با کمک کامپیوتر انجام می‌شوند، را می‌توان به صورت زیر خلاصه نمود. Kowal و همکارانش (2013) رویکردی را برای دسته‌بندی خودکار تصاویر ارائه کرده‌اند. رویکرد آنها بر اساس تعیین مناطق هسته‌ای بر روی تصاویر است و سپس دسته‌بندها از این مناطق استفاده می‌کنند. قطعه‌بندی (جداسازی) دو مرحله‌ای بر روی تصاویر اعمال شده است. در مرحله‌ی اول، قطعه‌بندی (جداسازی) پیش‌زمینه و پس‌زمینه بر روی تصاویر با استفاده از آستانه‌ی تطبیقی انجام شده است. سپس، تصاویری به دست می‌آید که شامل هسته، سلول‌های قرمز خون (گلبول‌های قرمز)، و دیگر ویژگی‌ها هستند. در مرحله‌ی دوم، مناطق هسته‌ای از سلول‌های خون، و دیگر ویژگی‌ها جدا شده‌اند. در نهایت، مناطق هسته‌ای با ویژگی‌های مختلفی نمایش داده می‌شوند و این ویژگی‌ها به عنوان ورودی به دسته‌بندها داده می‌شوند. سه دسته‌بند، یعنی نزدیکترین k همسایه، دسته‌بند نایو بیزین، و درخت تصمیم مورد استفاده قرار گرفته‌اند. نویسندگان این مرجع دقت دسته‌بندی رویکرد پیشنهادی خود را 96 – 100% بر روی تصاویر گزارش نموده‌اند. Filipczuk و همکارانش (2013) روشی برای تشخیص سرطان سینه با کمک کامپیوتر ارائه نموده‌اند. رویکرد پیشنهادی به تعیین مناطق هسته‌ای پرداخته و این مناطق را از تصاویر جدا می‌سازد. مناطق هسته‌ای با استفاده از تبدیل Hough دایره‌ای (Kerbyson و Atherton، (1995)) تشخیص داده می‌شوند.

Introduction: The diagnosis of the breast cancer is done by biopsy. Biopsy is a laboratory procedure and it is performed by a pathologist to detect the cancer. Pathologist collects samples of tissues from the breast region. There are several techniques for collecting samples of breast tissues. These techniques are fine needle aspiration, core needle aspiration, core needle biopsy, vacuum-assisted and surgical biopsy, Filipczuk et al. (2013). After, these cancer tissues are analyzed using microscope. Images obtained from microscope are also called histopathology images. Pathologist analyses the histopathology images and classifies them as cancerous or noncancerous images. Computer aided diagnosis of breast cancer methods can be summarized as follows. Kowal et al. (2013) proposed an approach for automatic classification of images. Their approach is based on determination of nuclei regions on the images and then using these regions into the classifiers. Two-stage segmentation is applied to images. In the first stage, foreground and background segmentation is performed on the images using adaptive threshold. After, images contain nuclei, red blood cells, and other features. In the second stage, nuclei regions are segmented from blood cells, and other features. Finally, nuclei regions are represented with different features and these features are used as input to classifiers. Three classifiers, k-nearest neighbors, naive Bayes classifier and decision trees, are used. They report the classification accuracy of 96-100 % on the 500 images. Filipczuk et al. (2013) proposed a method for computer-aided breast cancer diagnosis. The proposed approach is determining the nuclei areas and segmenting these regions on the images. Nuclei areas are detected using circular Hough transform, Kerbyson and Atherton(1995). Then segmented regions are used as input to classifiers. These classifiers were k-nearest neighbor, Bayes classifier, decision tree and support vector machines. The performances of these classifiers were reported. The classification accuracy of 98.51 %is reported on the 737 microscopic images of the fine needle biopsies.