نام و نام خانوادگی:سیده مریم زارع مویدی
عنوان پایان نامه: پیاده سازی و ارزیابی الگوریتم انتخاب ویژگی کرم شب تاب برای انتخاب بهترین دسته ویژگی درتشخیص سرطان سینه در تصاویر حرارتی
رشته تحصیلی:مهندسی پزشکی-بیوالکتریک
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر عبدالحسین رضائی
چکیده:
سرطان سینه از شایع ترین دلایل مرگ در میان زنان جهان می باشد. این حقیقت توجیه کننده ی تحقیقات برای رسیدن به تشخیص زود هنگام و نیز بهبود امید به زندگی بیماران است. تصویربرداری حرارتی (ترموگرافی) یک روش تصویر برداری غیر‌تهاجمی است که برای ثبت الگوهای حرارتی با استفاده از دوربین مادون قرمز (IR) جهت تشخیص زود هنگام سرطان سینه استفاده می‌شود. انتخاب ویژگی یکی از مراحل مهم در تشخیص سرطان سینه با استفاده از تصاویر حرارتی است. هدف از اجرای مرحله انتخاب ویژگی یافتن دسته ویژگی مناسب جهت افزایش دقت و سرعت انجام مراحل پردازش تصاویر حرارتی می-باشد. در مرحله انتخاب ویژگی، ویژگیهایی وجود دارد که اثر کمتری دارند یا بار اطلاعاتی چندانی ندارند یا اینکه همپوشانی دارند. عدم حذف این ویژگی ها مشکلی از لحاظ اطلاعاتی ایجاد نمی کند، ولی بار محاسباتی را افزایش داده و ممکن است دقت و صحت را کاهش دهند و باعث می شوند که اطلاعات غیر مفیدی به همراه داده های مفید ذخیره شوند. دراین پایان نامه از الگوریتم انتخاب ویژگی کرم شب تاب برای انتخاب بهترین دسته ویژگی در تشخیص سرطان سینه در تصاویر حرارتی استفاده شده است. در ابتدا ویژگی‌های مبتنی بر ماتریس هم وقوعی سطوح خاکستری مبتنی بر الگوهای محلی باینری از تصاویر استخراج و سپس الگوریتم انتخاب ویژگی کرم شبتاب جهت انتخاب بهترین دسته ویژگی روی آنها اجرا می شود. در این روش جدید از الگوریتم های طبقه بندی کننده ی درخت تصمیم گیری ، k نزدیک ترین همسایگی و ماشین بردار پشتیبان برای مرحله طبقه‌بندی استفاده می‌شود. برای پیاده سازی روش پیشنهادی ، از نرم افزارMATLAB 2019 b استفاده شده است و برای ارزیابی از 200 نمونه تصویر حرارتی سینه ، 100 نمونه تصویر حرارتی سینه افراد سالم و 100نمونه تصویر حرارتی سینه افراد مبتلا به سرطان در پایگاه داده DMR-IR موجود می باشد, استفاده شده است. در مرحله استخراج ویژگی 59 ویژگی مبتنی به الگوهای محلی باینری و 76 ویژگی مبتنی بر ماتریس هم وقوعی سطوح خاکستری استخراج شده است . نتایج ارزیابی نشان می دهد که صحت بدست امده ی روش پیشنهادی برای الگوریتم های طبقه بندی کننده ِDTree، KNN و SVM برای حالت بدون اعمال الگوریتم انتخاب ویژگی کرم شبتاب و با استفاده از ویژگی های استخراج شده از ترکیب دو روش ویژگی های مبتنی بر ماتریس هم وقوعی سطوح خاکستری مبتنی بر الگوهای محلی باینری به ترتیب5/94، 81 و 5/86 درصد، میانگین حساسیت برای این الگوریتم ها به ترتیب درصد و میانگین 2/93 ، 84/73 و 67/80 اختصاصیت برای این الگوریتم ها به ترتیب2/98 ، 15/83 و 100 درصد می باشد. صحت برای حالت با اعمال الگوریتم انتخاب ویژگی کرم شب تاب به ترتیب95 ، 5/81 و 99درصد، حساسیت برای این الگوریتم ها به ترتیب 99، 74 و100درصد و اختصاصیت برای این الگوریتم ها به ترتیب 11/94 ، 80 و2/98 درصد می باشد. لذا استفاده از الگوریتم انتخاب ویژگی کرم شب تاب باعث بهبود میانگین صحت، میانگین حساسیت و میانگین اختصاصیت در تشخیص سرطان سینه از تصاویر حرارتی می شود. با اعمال الگوریتم کرم شب تاب تعداد ویژگی ها به 9 ویژگی کاهش یافت که باعث کاهش زمان در عملکرد و علاوه بر ان به دقت بهتری دست یافته شد.
کلیدواژه: سرطان سینه، الگوریتم کرم شبتاب ، ترموگرافی، انتخاب و استخراج ویژگی مبتنی بر ماتریس هم وقوعی سطوح خاکستری GLCM) (، استخراج ویژگی مبتنی بر الگوهای محلی باینری
( LBP)