تشخیص سرطان پستان مبتنی بر طبقه بندی کننده SVM و الگوریتم بهینه سازی خفاش

تشخیص به موقح سرطان پستان به طور چشمگیری مرگ و میر ناشی از آن را در جامعه زنان کاهش می دهد. آزمایش آسپیراسیون سوزنی(FNA ‏) ‏روشی ساده ‏، ارزان و غیرتهاجمی برای تشخیص دقیق و زودهنگام این سرطان است که امروزه ‏تلاش می شود به صورت هوشمند و ماشینی انجام ‏گیرد. مراحل ایجاد یک سیستم هوشمند برای تشخیص سرطان پستان عبارت اند از: ثبت تصاویر میکروسکوپیک از نمونه FNA، استخراج ویژگی های ‏عددی از این تصاویر، انتخاب ویژگی های تفکیک کننده و طراحی و آزمایش طبقه بند مناسب. در این تحقیق از ویژگی های آماده پایگاه داده WDBC ‏که شامل569 ‏نمونهFNA می باشد، استفاده شد. برای انتخاب ویژگی روش جدیدی مبتنی بر الگوریتم بهینه سازی خفاش دودویی (BBAT) اراثه ‏شد و سرانجام تلفیقی از طبقه بندهای SVMبرای کلاس بندی نمونه ها به کار گرفته شد. سیستم پیشنهادی با استغاده از 17 ‏ویژگی در قالب ۵ ‏مدل SVMبه دقت شناسایی 99% دست یافت.این سیستم از لحاظ دقت و تعداد ویژگی مورد نیاز بر سیستم های موجود برتری دارد.این تحقیق با ‏اراثه یک الگوریتم انتخاب ویژگی کارآمد موفق شده است دقت شناسایی سیستم های تشخیص سرطان پستان را بهبود دهد. از دیگر مزیت های ‏انتخاب ویژگی این است که علاوه بر تشخیص کلی، تشخیص ناهنجاری های ناشی از بیماری را نیز ممکن می سازد.

کلیدواژه ها:

تشخیص سرطان پستان ، نمونه برداری با سوزن ظریف (FNA) ، انتخاب ویژگی ، بهینه سازی خفاش (BBAT ) ، ماشین بردار پشتیبان (SVM)