معصومه کشی زاده - دانشگاه صنعتی سهند تبریز، ایران
علی فهمی جعفرقلخانلو - دانشگاه صنعتی سهند تبریز، ایران
سینا شامخی - دانشگاه صنعتی سهند تبریز، ایران

یکی از شایع ترین بیماری های موجود در بین زنان، سرطان پستان است که به عنوان دومین عامل مرگ و میر زنان در جهان شناخته شده است. در نتیجه مهمترین مسئله در درمان این نوع از سرطان تشخیص زودهنگام آن است. در این مقاله روش تمام خودکار به منظور شناسائی تصاویر سرطانی ماموگرام با هدف کمک به متخصصین در روند تشخیص زودهنگام این نوع از سرطان ارائه شده است. الگوریتم ارائه شده شامل 4 مرحله ی پیش پردازش، استخراج ویژگی، کاهش ابعاد و طبقه بندی است. در مرحله ی پیش پردازش هدف اصلی این است که با اعمال فیلتر میانگین گیر نواحی اضافی نظیر شماره و متن های موجود در تصاویر ماموگرام و همچنین نواحی مربوط به ماهیچه سینه ای حذف شود. در مرحله ی استخراج ویژگی از تبدیل کسینوسی گسسته بر روی تصاویر دیجیتال ماموگرام استفاده شده است. از الگوریتم LSDA به منظور کاهش ابعاد و حذف ویژگی های اضافی و نامطلوب تبدیل کسینوسی گسسته استفاده شده است. سرانجام به منظور طبقه بندی تصاویر، ماشین بردار پشتیبان به کار گرفته شده است. در این مقاله تصاویر از پایگاه دادهی DDSM که شامل 300 تصویر سالم، 350 تصویر خوشخیم و 300 تصویر سرطانی است، استفاده شده است. دقت الگوریتم پیشنهادی در طبقه بندی داده ها با استفاده از شبکه های عصبی SVM از نوع RBF برابر 100 است.

تبدیل کسینوسی گسسته، سرطان پستان، کاهش ابعاد، ماشین بردار پشتیبان، طبقه بندی