عنوان

طبقه‌بندی تصاویر هیستوپاتولوژی سرطان پستان به کمک روش‌های یادگیری ماشین

Number

۴۹۵۳پ

.Language of Text, Soundtrack etc

فارسی

Title Proper

طبقه‌بندی تصاویر هیستوپاتولوژی سرطان پستان به کمک روش‌های یادگیری ماشین

General Material Designation

[پایان نامه]

First Statement of Responsibility

فاطمه احمدپور

Name of Publisher, Distributor, etc.

صنعتی سهند

Date of Publication, Distribution, etc.

۱۴۰۱

Specific Material Designation and Extent of Item

۱۰۰ص.

Other Physical Details

مصور، جدول، نمودار

Accompanying Material

CD

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی پزشکی- بیوالکتریک

Date of degree

۱۴۰۱/۱۱/۰۱

Text of Note

سرطان بیماری است که در آن برخی از سلول‌ها به‌طور غیرقابل کنترلی رشد می‌کنند و به سایر قسمت‌های بدن گسترش می‌یابند. سرطان تقریبا در هر نقطه از بدن انسان که از میلیارد‌ها سلول تشکیل شده است، می‌تواند شروع شود. در میان انواع متمایز سرطان، شایع¬ترین نوع سرطانی که زنان به آن مبتلا می‌شوند، سرطان پستان است. تشخیص سرطان پستان با استفاده از تصاویر هیستوپاتولوژی استاندارد طلایی تشخیص سرطان است و این کار توسط پاتولوژیست صورت می¬گیرد. تحلیل تصاویر توسط پاتولوژیست وابسته به سطح تجربه بالینی و دانش تخصصی پاتولوژیست است و بسیار زمان‌بر است. بنابراین وجود یک الگوریتم تشخیص به کمک رایانه، برای کمک به تشخیص ضروری است. در این مطالعه، یک الگوریتم برای طبقه‌بندی تصاویر هیستوپاتولوژی سرطان پستان پیشنهاد شده است. در این تحقیق تصاویر هیستوپاتولوژی موجود در پایگاه دادة BACH جهت آموزش و ارزیابي به عنوان ورودی در اختیار الگوریتم پیشنهادی قرار گرفته است. تصاویر در سه حالت رنگی، خاکستری و به‌صورت تفکیک‌ شده در کانال‌های رنگی قرمز، سبز و آبی برای استخراج ویژگی¬ که ترکیبی از روش‌های استخراج ویژگی کلاسیک و یادگیری ژرف است، مورد استفاده قرار گرفته است. گام اول الگوریتم پیشنهادی بخش پیش¬پردازش تصاویر است که در این بخش با اعمال الگوریتم متعادل‌سازی هیستوگرام تطبیقی کنتراست محدود، تغییر اندازه تصاویر و افزایش داده، تصاویر برای استفاده در الگوریتم پیشنهادی آماده شده¬اند. گام بعدی استخراج ویژگی است که برای استخراج ویژگی، از الگوریتم¬های توصیف کننده بافت CLBP و AHP، به ترتیب در کانال‌های رنگی تفکیک شده، تصاویر خاکستری و از شبکه عصبی Xception در تصاویر رنگی استفاده شده است. به‌منظور انتخاب ویژگی¬هایی با قابلیت تمایز بالا، آزمون ویلکاکسون به‌صورت مجزا در هر مجموعه¬ی ویژگی به‌کار گرفته شده¬ است و در مجموع 450 ویژگی از 2790 ویژگی انتخاب شده است. در نهایت از ماشین بردار پشتیبان با کرنل شعاعی گوسی برای طبقه‌بندی بردار ویژگی در دو گروه غیرسرطانی و سرطانی استفاده شده است. ارزیابی الگوریتم پیشنهادی به کمک معیارهایی مانند صحت، دقت، حساسیت و فراخوانی با دیگر تحقیقات انجام شده در این زمینه صورت گرفته است. صحت، دقت و حساسیت روش پیشنهادی به‌ترتیب 97%، 02/97% و 96/97% است. براساس نتایج می¬توان نتیجه گرفت که روش پیشنهادی برای طبقه‌بندی تصاویر پایگاه داده BACH، به نتایج بهتری دست یافته است.

Text of Note

Cancer is a disease in which some cells grow uncontrollably and spread to other parts of the body. Cancer can start almost anywhere in the human body, which is made up of billions of cells. Among the distinct types of cancer, the most common type of cancer that women get is breast cancer. Breast cancer diagnosis using histopathology images is the gold standard of cancer diagnosis and this work is done by a pathologist. The analysis of images by the pathologist depends on the level of clinical experience and specialized knowledge of the pathologist and is very time-consuming. Therefore, the existence of a computer-aided detection algorithm is necessary to aid in the diagnosis. In this study, an algorithm for classifying breast cancer histopathology images is proposed. In this research, the histopathology images available in the BACH database have been provided as input to the proposed algorithm for training and evaluation. Images in three color modes, gray and standardized in red, green and blue color channel have been used for feature extraction, which is a combination of classical feature extraction and deep learning methods. The first step of the proposed algorithm is the image pre-processing section, in this section, the images are prepared for use in the proposed algorithm by applying the Contrast Limited Adaptive Histogram Equalization algorithm, resizing the images, and increasing the data. The next step is feature extraction, for feature extraction, CLBP and AHP texture descriptor algorithms were used, respectively, in Three-channel and gray images, and Xception neural network was used in RGB images. In order to select features with high discriminating ability, the Wilcoxon test was used separately in each set of features and a total of 450 features were selected out of 2790 features. Finally, the support vector machine with RBF kernel has been used to classify the feature vector into non-cancerous and cancerous groups. The evaluation of the proposed algorithm has been done with the help of criteria such as accuracy, precision, sensitivity and recall with other researches done in this field. The accuracy, precision and sensitivity of the proposed method are 97%, 97.02% and 97.96%, respectively. Based on the results, it can be concluded that the proposed method for classifying BACH database images has achieved better results.

Variant Title

Classification of Breast Cancer Histopothology Images Using Machine Learning Methods

تصاویر هیستوپاتولوژی

سرطان پستان

یادگیری ماشین

ماشین بردار پشتیبان

Subject Term

تصاویر هیستوپاتولوژی، سرطان پستان، طبقه‌بندی، یادگیری ماشین، ماشین بردار پشتیبان

Subject Term

Breast Cancer, histopathological images, Classification, Machine learning, Support vector machine

احمدپور، فاطمه

Entry Element

شامخی

Part of Name Other than Entry Element

، سینا

Dates

، ۱۳۶۰ -

Relator Code

استاد راهنما

Entry Element

صنعتی سهند

Country

ایران

Agency

دانشگاه صنعتی سهند

Call Number

مهندسی پزشکی، ۱۰۰۹۰، ۱۴۰۱

p

TF

92029

a

Y