تشخیص سرطان سینه با استفاده از ویژگی های آماری تبدیل کرولت

در این مقاله یک روش برای تشخیص سرطان سینه در تصاویر ماموگرام دیجیتال با استفاده از تبدیل کرولت و طبقه بند K-NN استفاده شده است. در این بررسی، تشخیص سرطان سینه بر روی تصاویر ماموگرام دیجیتال از پایگاه داده ی MIAS صورت گرفته است. با استفاده از تبدیل کرولت تصاویر ماموگرام به چهار سطح فرکانسی تجزیه شده اند. هر کدام از این سطوح فرکانسی حاوی جزئیات متفاوتی از تصویر ماموگرام است. میانگین ، واریانس، Skewness ، Kurtosis و کشیدگی انرژی ضرایب برای هر سطح از تجزیه محاسبه شده است. با محاسبه ی این ویژگی ها در هر سطح تجزیه، یک بردار ویژگی 20 × 1برای هر تصویر ماموگرام به دست آمده است. با به دست آمدن بردارهای ویژگی برای تصاویر ماموگرام، در مرحله ی بعد به با استفاده از آزمون آماری t-test و طبقه بند K-NN تصاویر ماموگرام به سه کلاس نرمال، خوش خیم و بدخیم طبقه بندی شده اند. سیستم پیشنهاد شده در این تحقیق، با استفاده از روش cross-validation تست شده است. شبیه سازی ها در محیط نرم افزار MATLAB انجام شده است. نتایج به دست آمده از این تحقیق، بر روی پایگاه داده ی MIAS ، دقت درستی تشخیص با 9 ویژگی برای سالم و ناسالم بودن توده 92.2 % و برای خوشخیم و بدخیم بودن توده با 3 ویژگی 95 % می باشد که این نشان می دهد روش پیشنهاد شده در این مقاله برای تشخیص سریع سرطان سینه در تصاویر ماموگرام از قابلیت اطمینان بالایی برخوردار است.

کلیدواژه ها:

سرطان سینه ، تبدیل کرولت ، چند دقیقه ، ماموگرام دیجیتال