دوره 12، شماره 1 - ( زمستان 1401 )
جلد 12 شماره 1 صفحات 76-69 |
برگشت به فهرست نسخه ها
سهند شاهعلینژاد*1 
، عاطفه بهادری2 ، علی نیاپور3
، عاطفه بهادری2 ، علی نیاپور3
1- دانشکده مهندسی برق و کامپیوتر، موسسه آموزش عالی ارومی، ارومیه، ایران
2- دانشکده پزشکی، دانشگاه علوم پزشکی اردبیل، اردبیل، ایران
3- آزمایشگاه تحقیقانی جنین شناسی و سلول های بنیادی، گروه علوم تشریحی، دانشکده پزشکی، دانشگاه علوم پزشکی اردبیل، اردبیل، ایران
2- دانشکده پزشکی، دانشگاه علوم پزشکی اردبیل، اردبیل، ایران
3- آزمایشگاه تحقیقانی جنین شناسی و سلول های بنیادی، گروه علوم تشریحی، دانشکده پزشکی، دانشگاه علوم پزشکی اردبیل، اردبیل، ایران
چکیده: (1343 مشاهده)
زمینه و هدف: شناسایی و مرزبندی توده‌ها و تشخیص تومورهای موجود در بافت پستان از چالش های جدی در تشخیص این سرطان است. در حال حاضر ماموگرافی، متداولترین راه تشخیص سرطان پستان می‌باشد که عدم شناسایی صحیح توده‌ها در آن میتواند منجر به تشخیص یا نمونه برداری نادرست از بافت پستان شود. آلگوریتم Harris به عنوان فرآیند شناسایی ویژگی‌های مرتبط و حذف ویژگی‌های غیر مرتبط و تکراری اقدام به استخراج ویژگی می‌کند. دراین تحقیق با استفاده از استخراج ویژگی در پردازش تصاویر پزشکی بر آن شدیم تا بتوانیم با دقت بهتری، نسبت به کارهای گذشته تشخیص را انجام دهیم.
روش کار: با استفاده از آلگوریتم استخراج ویژگی Harris استخراج ویژگی های تصاویر ماموگرافی صورت گرفت. تصاویر ماموگرافی با استفاده از نرم افزار متلب Matlab2019a تحلیل شدندو خروجی های ایده آل مد نظر حاصل شدند.
یافته ها: تصاویر ماموگرافی پس از پیش پردازش و اعمال آلگوریتم هریس مورد بررسی قرارگرفتند که در خروجی حاصل از آلگوریتم پیشنهادی، دقت شناسایی و سرعت شناسایی آلگوریتم را در مقایسه با سایر روش های معمول بالاتر بود.
نتیجه گیری: هدف از استخراج ویژگی Harris این است که داده‌های خام به شکل قابل استفاده‌تری برای پردازش‌های آماری بعدی درآیند. انتظار می‌رود در آینده استخراج ویژگی با دقت بیشتری انجام شود و جزئیات بیشتری جهت بازشناسی اشیاء در تصویر، در اختیار سیستم‌های بینایی ماشین قرار بگیرد.
روش کار: با استفاده از آلگوریتم استخراج ویژگی Harris استخراج ویژگی های تصاویر ماموگرافی صورت گرفت. تصاویر ماموگرافی با استفاده از نرم افزار متلب Matlab2019a تحلیل شدندو خروجی های ایده آل مد نظر حاصل شدند.
یافته ها: تصاویر ماموگرافی پس از پیش پردازش و اعمال آلگوریتم هریس مورد بررسی قرارگرفتند که در خروجی حاصل از آلگوریتم پیشنهادی، دقت شناسایی و سرعت شناسایی آلگوریتم را در مقایسه با سایر روش های معمول بالاتر بود.
نتیجه گیری: هدف از استخراج ویژگی Harris این است که داده‌های خام به شکل قابل استفاده‌تری برای پردازش‌های آماری بعدی درآیند. انتظار می‌رود در آینده استخراج ویژگی با دقت بیشتری انجام شود و جزئیات بیشتری جهت بازشناسی اشیاء در تصویر، در اختیار سیستم‌های بینایی ماشین قرار بگیرد.
فهرست منابع
1. Wiechmann L, Kuerer HM. The molecular journey from ductal carcinoma in situ to breast cancer. Cancer. 2008; 112: 2130. [DOI:10.1002/cncr.23430]
2. Moore KL (1992) Clinically Oriented Anatomy, 3rd Ed. Baltimore: Williams & Wilkins,
3. Cotran RS, Kumar V, Robbins SL, eds. Pathologic Basis of Disease, 5th Ed. Philadelphia: W.B. Saunders, 1994
4. Tavassoli FA, Devillee P, Eds. World Health Organization classification of tumors: pathology and genetics of tumors of the breast and female genital organs. In: DeVita VT, Lawrence TS, Rosenberg SA, eds. Cancer Principles & Practice of Oncology, 8th Ed. Philadelphia:. Lippincott Williams & Wilkins , 2008.
5. DeVita VT, Lawrence TS, Rosenberg SA, eds. () Cancer Principles & Practice of Oncology, 8th Ed. Philadelphia: Lippincott Williams & Wilkins. 2008
6. The World Health Organization histological typing of breast tumors, 2nd ed. The World organization. Am J Clin Pathol . 1982; 78: 806. 8. Antoniou AC, Easton DF Models of genetic susceptibility to breast cancer. Oncogene 2006; 25: 5898. [DOI:10.1038/sj.onc.1209879]
7. B. Rahmatullah, A.T. Papageorghiou, J.A. Noble, Integration of local and global features for anatomical object detection in Ultrasound, Med. Image Comput. Comput. Assist. Interv. 2012: 402-409. [DOI:10.1007/978-3-642-33454-2_50]
8. G.I. Sanchez-Ortiz, G.J.T. Wright, N. Clarke, J. Declerck, A.P. Banning, J.A. Noble, Automated 3-D echocardiography analysis compared with manual delineations and SPECT MUGA, IEEE Trans. Med. Imaging 21 .2002: 1069-1076. [DOI:10.1109/TMI.2002.804434]
9. V. Grau, H. Becher, J.A. Noble, Phase-based registration of multi-view real-time three-dimensional echocardiographic sequences, Medical Image Computing and Computer-Assisted Intervention (MICCAI), Springer 2006: 612-619. [DOI:10.1007/11866565_75]
10. V. Grau, H. Becher, J.A. Noble, Registration of multiview real-time 3-D echocardiographic sequences, IEEE Trans. Med. Imaging 26 . 2007: 1154-1165. [DOI:10.1109/TMI.2007.903568]
11. D.J. Field, Relations between the statistics of natural images and the response properties of cortical cells, JOSA A 4. 1987: 2379-2394. [DOI:10.1364/JOSAA.4.002379]
12. A.V. Oppenheim, G.S. Lim, The importance of phase in signals, Proc. IEEE 69 .1981: 529-541. [DOI:10.1109/PROC.1981.12022]
13. [13] P. Kovesi, Symmetry and asymmetry from local phase, in: Tenth Australian Joint Conference on Artificial Intelligence, 1997.
14. D. Boukerroui, J.A. Nobel, M. Brady, On the choice of band-pass quadrature filters, J. Math. Imaging Vis. 21 (2004) 53-80. [29] R.S.J. Estepar, Local Structure Tensor for Multidimensional Signal Processing: Applications to Medical Image Analysis, Presses univ.de Louvain, 2007. [DOI:10.1023/B:JMIV.0000026557.50965.09]
15. G.D. Stetten, S.M. Pizer, Medial-node models to identify and measure objects in real-time 3-D echocardiography, IEEE Trans. Med. Imaging 18 .1999: 1025-1034. [DOI:10.1109/42.811314]
16. J. Huang, S. Ravi Kumar, M. Mitra, W. Zhu and R. Zabih, "Image indexing using color correlogram," In Computer Vision and Pattern Recognition, 1997. Proceedings. 1997 IEEE Computer Society Conference on, pp. 762-768. IEEE, 1997.
17. Pragati Kapoor, Dr. S.V.A.V. Prasad, Image Processing for Early Diagnosis of Breast Cancer Using Infrared Images, International Conference on Computer and Automation Engineering (ICCAE), 2010; 3 :564-566. [DOI:10.1109/ICCAE.2010.5451827]
18. Ng, E. Y. K., and Kee, E. C., Advanced integrated technique in breast cancer thermography, International Conference of Engineering in Medicine and Biology Society, 2006: 710 - 713.
19. Koay, J., Herry, C. H., &Frize, M. Analysis of Breast Thermography with Artificial Neural Network, In Proceedings 26th IEEE EMBS Conf. 2004: 1159- 1162.
20. W.E. Snyder, H. Qi Machine Vision Cambridge University Press, 2004.
21. Onega T, Duell EJ, Shi X, et al. Race versus place of service in mortality among Medicare beneficiaries with cancer. Cancer 2010; 116:2698- 2706. [DOI:10.1002/cncr.25097]
22. Berg WA. Tailored supplemental screening for breast cancer: what now and what next? AJR Am J Roentgenol 2009; 192:390-399. [DOI:10.2214/AJR.08.1706]
23. Litaker D, Tomolo A. Association of contextual factors and breast cancer screening: finding new targets to promote early detection. J Womens Health 2007; 16:36-45. [DOI:10.1089/jwh.2006.0090]
24. Howe HL, Wingo PA, Thun MJ, et al. Annual report to the nation on the status of cancer (1973 through 1998), featuring cancers with recent increasing trends. J Natl Cancer Inst 2001; 93:824-842. [DOI:10.1093/jnci/93.11.824]
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |