نویسنده : احمد اجتهادی

دانشكده : دانشکده تحصیلات تکمیلی و مجتمع فنی

رشته/گرایش تحصيلي : مهندسي كامپيوتر- نرم افزار

استاد راهنما (استاد مدعو) : , سیده حوراء فخرموسوی,

چكيده : سرطان سینه شایعترین سرطان در میان زنان ، بعد از سرطان پوست بوده و بر خلاف تصور عمومی سرطانی مخصوص زنان نیست ؛ این سرطان در میان مردان هم رایج است . با توجه به این موضوع و گستردگی و پراکندگی آماری این سرطان در میان اقشار مختلف جامعه و همچنین پیشرفت های روز افزون علوم کامپیوتری در تشخیص بیماری ها و بطور خاص در حوزه سرطان ، گروه های تحقیقاتی مختلفی برآن شدند تا با بکار گیری کامپیوتر در این حوزه به تشخیص سرطان سینه بپردازند. این گروه های تحقیقاتی برای نیل به این هدف از روش های مختلفی از جمله پردازش سیگنال ، گرمانگاری و پردازش تصویر بهره بردند. از آنجا که پردازش تصویر یکی از موثرترین روش ها در تشخیص صحیح این نوع از سرطان بوده ، در این تحقیق از پردازش تصویر به عنوان مبنا و اساس تشخیص و طبقه بندی این نوع از سرطان استفاده شده است. تاکنون ، تحقیقات وسیعی در ایجاد سیستم های خبره سرطان سینه با استفاده از روش ها و مدل های یادگیری ماشین پر کاربرد (مانند الگوریتم ژنتیک ، شبکه عصبی ، سیستم های فازی) و ترکیب آنها با یکدیگر صورت گرفته است ، لذا در این تحقیق سعی شده است تا با استفاده از مدلی جدید ، تشخیص و طبقه بندی سرطان سینه صورت گیرد و نتایج حاصله بررسی شود. این مدل با عنوان BELPM که مخفف مدل پیش بینی مبتنی بر یادگیری احساسی مغز است شناخته شده است. از این مدل در زمینه های مختلفی مثل پیش بینی زلزله استفاده شده است ، اما تاکنون در مقالات مرتبط با زمینه تحقیقاتی حاضر (سرطان سینه) بکار گرفته نشده است. در روش پیشنهادی ، پس از جمع آوری داده های بالینی به عنوان بخشی از ویژگی ها و گرفتن تصویر ماموگرافی و حذف ضایعات تصویر به صورت دستی ، با استفاده از تابع GLDM که تابعی برای محاسبه تابع چگالی احتمال تفاضل سطح خاکستری در تصاویر است ، ویژگی های مورد نظر از تصاویر ماموگرافی نیز استخراج گردیده و یک دیتاست ایجاد شده است. سپس با کمک الگوریتم ژنتیک مرتب سازی نامغلوب ( NSGA-II ) که یک الگوریتم بهینه سازی چند هدفه می باشد ، سعی شده است تا ویژگی های استخراجی با کمترین خطای ممکن در نتیجه نهایی ، کاهش داده شوند. در ادامه ویژگی های انتخاب شده هر بیمار به عنوان ورودی به الگوریتم BEL جهت تولید شبکه تشخیصی و طبقه بندی داده شده و در آخر شبکه ایجاد شده مورد ارزیابی قرار گرفته و نتایج حاصله از این ارزیابی با روش های دیگر ، از نظر زمان اجرا و درستی تشخیص مورد بررسی قرار گرفته است. نتایج بدست آمده از نظر درستی تشخیص ، کارایی نسبتا خوب این روش را نشان داده است ، روش پیشنهادی دارای عملکرد نسبتا بهتری نسبت به رقبای خود بوده است و توانسته است به تشخیص 5574/93 % در تومور های خوش خیم و 8679/93 % در تومورهای بدخیم برسد ؛ حال آنکه این مقادیر برای شبکه Feedforward به ترتیب 03/93 و 28/86 و برای شبکه LVQ به ترتیب 7581/92 و 8868/76 محاسبه گردیده است .

تاريخ دفاع : 1394-11-28