نویسنده : مینا قربان زاده

دانشكده : دانشکده تحصیلات تکمیلی و مجتمع فنی

رشته/گرایش تحصيلي : مهندسي كامپيوتر- نرم افزار

استاد راهنما (استاد مدعو) : , دکتر پیمان بیات,

چكيده : چکيده سرطان پستان شایع¬ترین نوع سرطان در بین زنان سراسر جهان از جمله زنان ایرانی است، لذا تشخیص خوشه¬های میکروکلسیفیکاسیون درون بافت پستان یک گام اساسی در تشخیص به ¬موقع این بیماری محسوب می¬شود. در این پژوهش، یک سیستم تشخیص کامپیوتری جدید برای تشخیص خوشه¬های میکروکلسیفیکاسیون در ماموگرافی¬های دیجیتال ارائه شده است. خوشه¬های میکروکلسیفیکاسیون¬ها به صورت گروهی از نقاط ریز روشن در پس¬زمینه¬ی ناهمگن ظاهر می¬شوند و به علت ماهیّت نویزی تصاویر ماموگرام تشخیص آنها برای رادیولوژیست بسیار دشوار است. هدف از پژوهش صورت گرفته، بدست آوردن ابزاری است که پس از پردازش تصویر ماموگرام با دقّت بالایی اعلام کند که تصویر خروجی حاوی خوشه¬های میکروکلسیفیکاسیون می¬باشد یا خیر. در این پژوهش مرحله¬ی پیش¬پردازش جهت کاهش تعداد مثبت کاذب پیشنهاد شده است و حذف نویز از تصویر ماموگرام با استفاده از تبدیل موجک گسسته (DWT) با حفظ جزئیات اصلی تصویر انجام می¬شود. برای تشخیص بهتر خوشه¬های میکروکلسیفیکاسیون، تصویر به‌وسیله¬ی متعادل¬سازی هیستوگرام با کنترل روی سطح افزایش، بهبود داده شده و خوشه¬های میکروکلسیفیکاسیون با عملگر سوبل لبه¬یابی می‌شوند. در ماژول کلاس¬بندی، از ماتریس هم¬رخداد سطح خاکستری (GLCM) برای استخراج 20 ویژگی بافتی و ماشین بردار پشتیبان (SVM) به عنوان کلاسیفایر استفاده شده است. این روش بر روی تصاویر پایگاه داده MIAS مورد آزمایش قرار گرفته و خوشه‌های میکروکلسیفیکاسیون¬ در تصاویر ماموگرام با دقت 75% تشخیص داده شده است.

تاريخ دفاع : 1394-6-29