دانلود ترجمه مقاله الگوریتم بهبود تصاویر پزشکی برای تشخیص سرطان سینه با یادگیری ماشین

1. مقدمه 2. مواد و روش ها 3. نتایج 4. بحث و بررسی 5. نتیجه گیری

چکیده – ماموگرافی ارجح ترین روش برای غربالگری سرطان سینه محسوب می شود. در این مطالعه، برای بهبود کیفیت تصویر تصاویر ماموگرافی و شناسایی نواحی مشکوک، از سیستم‌ های تشخیص به کمک کامپیوتر (CAD) استفاده شد. سهم اصلی این مطالعه نشان دادن ترکیب بهینه الگوریتم‌ های پیش پردازش مختلف برای امکان تفسیر و طبقه ‌بندی بهتر تصاویر ماموگرافی است، زیرا الگوریتم‌ های پیش پردازش به طور قابل‌ توجهی بر دقت روش ‌های تقسیم‌ بندی و طبقه ‌بندی تأثیر می‌ گذارند. در این مطالعه تأثیر ترکیب روش های مختلف پیش پردازش در افتراق میان ضایعات خوش خیم و بدخیم پستان مورد بررسی قرار گرفت. از تمام الگوریتم های پردازش تصویر مورد استفاده برای تشخیص ضایعه در پایگاه داده mini-MIAS استفاده شد. در مرحله اول، اطلاعات برچسب و عضله سینه ای حاصل از گرفتن تصاویر ماموگرافی حذف شد. در مرحله دوم، فیلتر میانه (MF)، روش تساوی هیستوگرام سازگار با کنتراست محدوده شده (CLAHE) و الگوریتم‌ های شفاف ‌سازی تصویر (USM) با ترکیب‌ های مختلف وضوح و شفافیت تصاویر افزایش می‌ یابد. در مرحله سوم، مناطق مشکوک با استفاده از تکنیک خوشه ‌بندی کی-میانگین، از ماموگرافی استخراج می ‌شوند. سپس ویژگی ها از ROI های به دست آمده استخراج شدند. در نهایت، مجموعه داده‌ های ویژگی با استفاده از الگوریتم‌ های یادگیری ماشین به‌ عنوان طبیعی/غیر طبیعی و خوش‌خیم/بدخیم (طبقه ‌بندی دو مقوله) طبقه ‌بندی شدند. معیارهای عملکرد آزمون روش ‌های طبقه ‌بندی، مورد بررسی قرار گرفتند. در این مطالعه، زمانی که الگوریتمCLAHE به تنهایی به عنوان یک روش پیش پردازش در مقایسه با سایر ترکیبات پیش پردازش استفاده شد، در هر دو طبقه بندی انجام شده مقادیر عملکرد طبقه بندی کمتر بود. هنگامی که فیلتر میانه و الگوریتم‌ های شفاف ‌سازی تصویر به الگوریتم CLAHE اضافه می ‌شوند، عملکرد روش ‌های طبقه ‌بندی افزایش می یباد. از نظر موفقیت طبقه ‌بندی، ماشین ‌های بردار پشتیبان، جنگل تصادفی و شبکه ‌های عصبی بهترین عملکرد را نشان دادند. با مقایسه عملکرد روش های طبقه بندی، مشخص شد که الگوریتم های مختلف پیش پردازش در تشخیص وجود ضایعات پستان و تشخیص خوش خیم و بدخیم موثر هستند. مقدمه: سرطان یکی از شایع ترین علل مرگ و میر در جهان است. سرطان سینه شایع ترین نوع سرطان در بین زنان در سراسر جهان است [1]. تشخیص زودهنگام سرطان در موفقیت درمان بسیار مهم است. بنابراین، تکنیک های تصویربرداری برای افزایش امکان تشخیص زودهنگام سرطان سینه توسعه یافته است. روش های مختلف تصویربرداری از جمله تصویربرداری تشدید مغناطیسی (MRI)، سونوگرافی (US) و ماموگرافی برای تشخیص سرطان سینه استفاده می شوند [2]. در میان این روش ها، ماموگرافی نسبتاً ارزان، ساده، سریع و به عنوان یک تست غربالگری برای تشخیص زودهنگام سرطان سینه مورد استفاده قرار می گیرد، زیرا با کمک تصاویر به دست آمده توسط ماموگرافی، حتی تغییرات جزئی در پستان که با معاینه دستی قابل تشخیص نیست، شناسایی می شوند [3]. میکروکلسیفیکاسیون ها، اولین نشانه های سرطان سینه هستند که با استفاده از روش های غربالگری قابل تشخیص هستند [2]. تشخیص این توده ها در بافت پستان هنگام استفاده از ماموگرافی دشوار است، زیرا اغلب کنتراست پایینی را نشان می دهند. تصاویر توسط خطاهای تصادفی به نام نویز که توسط عوامل محیطی یا دستگاه های ضبط تصویر ایجاد می شود، تحریف می شوند. الگوریتم های مختلفی برای حذف این نویزهای ناخواسته در تصویر اصلی و بهبود تصویر ایجاد شده است. تصاویر را می توان با سیستم های کامپیوتری (CAD) با استفاده از تکنیک های مختلف از قبیل پردازش تصویر پزشکی بهبود بخشید[4]. امروزه پردازش تصویر پزشکی، یکی از زمینه ‌های در حال رشد در صنعت مراقبت ‌های بهداشتی به شمار می آید.

Mammography is the most preferred method for breast cancer screening. In this study, computer-aided diagnosis (CAD) systems were used to improve the image quality of mammography images and to detect suspicious areas. The main contribution of this study is to reveal the optimal combination of various pre-processing algorithms to enable better interpretation and classification of mammography images because pre-processing algorithms significantly affect the accuracy of segmentation and classification methods. In this study, the effect of combinations of different preprocessing methods in differentiating benign and malignant breast lesions was investigated. All image processing algorithms used for lesion detection were used in the mini-MIAS database. In the first step, label information and pectoral muscle resulting from the acquisition of mammography images were removed. In the second step, median filter (MF), contrast limited adaptive histogram equalization (CLAHE), and unsharp masking (USM) algorithms with different combinations of the resolution and visibility of images are increased. In the third step, suspicious regions are extracted from the mammograms using the k-means clustering technique. Then, features were extracted from the obtained ROIs. Finally, feature datasets were classified as normal/abnormal, and benign/malign (two class classification) using Machine Learning algorithms. Test performance measures of the classification methods were examined. In both classifications made in the study, lower classification performance values were obtained when the CLAHE algorithm was used alone as a pre-processing method compared to other pre-processing combinations. When the median filter and unsharp masking algorithms are added to the CLAHE algorithm, the performance of the classification methods has increased. In terms of classification success, Support Vector Machines, Random Forest, and Neural Networks showed the best performance. It was found by comparing the performances of the classification methods that different preprocessing algorithms were effective in detecting the presence of breast lesions and distinguishing benign and malignant. Introduction: Cancer is one of the most common causes of death in the world. Breast cancer is the most common type of cancer among women worldwide [1]. Early diagnosis of cancer is very important in the success of treatment. Therefore, imaging techniques have been developed to increase the possibility of early diagnosis of breast cancer. Various imaging methods, including magnetic resonance imaging (MRI), ultrasonography (US) and mammography, are used to diagnose breast cancer [2]. Among these methods, mammography is relatively inexpensive, simple, fast and widely used as a screening test for the early detection of breast cancer because, with the help of images obtained by mammography, even small changes in the breast that cannot be detected by manual examination are detected [3]. Microcalcifications are the earliest signs of breast cancer that can be detected using screening methods [2]. These masses in breast tissues are difficult to diagnose when using mammography, as they often show low contrast. Images are distorted by random errors, called noise, caused by environmental factors or image capture devices. Various algorithms have been developed to remove these unwanted noises in the original image and improve the image. Images can be enhanced with computer-aided systems (CAD) using different techniques such as medical image processing [4]. Today, medical image processing is one of the fastest-growing areas in the healthcare industry.

ترجمه این مقاله در 24 صفحه آماده شده و در ادامه نیز صفحه 10 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.