چکیده
سرطان پستان یکی از شایعترین سرطان های زنان در سراسر جهان است. روش های مختلفی برای تشخیص سرطان پستان وجود دارد. ماموگرافی یکی از مؤثرترین ابزار برای تشخیص زودهنگام این بیماری است. هدف این پژوهش، افزایش دقت تشخیصی پردازش تصویر و تکنیک های یادگیری ماشین برای بهینه سازی طبقه بندی نمونه در یکی از دو گروه عادی و غیرعادی در ماموگرافی های دیجیتال است. استخراج ویژگیهای بافت GLCMبه عنوان رایجترین و قدرتمندترین تکنیک تحلیل بافت شناخته شده است. این مقاله به ارزیابی و مقایسه عملکرد دو روش طبقه بندی متفاوت مورد استفاده در طبقه بندی الگوهای طبیعی و غیرطبیعی میپردازد. نتایج تجربی از برتری شبکه عصبی مصنوعی نسبت به سایر روشها حکایت دارد.
1- مقدمه
سرطان پستان یک مشکل بهداشتی عمومی است. پستانها در موقعیت چپ و راست قرار دارند. سرطان پستان به دو نوع طبیعی و غیرطبیعی تقسیم میشود. معمولا در الگوی طبیعی سطح پستان صاف و در الگوی غیرطبیعی زبر و پیچیده است. موارد غیر طبیعی به دو دسته تقسیم میشوند: توده و کلسیفیکاسیون پستانی. توده ها به واسطه مشخصات و شکل خود مشخص میشوند. کلسیفیکاسیون به معنی توده های کوچک رسوبی کلسیمی در بافت سینه است که به صورت گروهی از نقاط روشن در ماموگرام ظاهر میشود....
میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید.