fa ارایه یک سیستم کمکی کامپیوتری خودکار جهت تشخیص خوش‏خیمی و بدخیمی توده‏ها در تصاویر ماموگرافی بیماریهای پستان Breast Diseases پژوهشي Research <p dir="RTL"><strong>چکیده </strong></p> <p dir="RTL"><strong>مقدمه: </strong>ماموگرافی رایج&rlm;ترین روش غربالگری برای تشخیص سرطان پستان است. در این مقاله یک سیستم کمکی برای تشخیص خوش&rlm;خیمی و بدخیمی توده&rlm;ها ارایه شده است.</p> <p dir="RTL"><strong>روش بررسی: </strong>در این روش ابتدا با استفاده از حذف نویز و افزایش وضوح تصویر، توده&rlm;ها را آماده بخش&rlm;بندی می&rlm;کنیم. سپس با استفاده از یک الگوریتم جدید بر مبنای رشد ناحیه، توده مورد نظر را بخش&rlm;بندی کرده و ویژگی&rlm;های از بافت و مرز آن استخراج می&rlm;کنیم. در ادامه با استفاده از یک معماری نوین رده&rlm;بندهایی را با یکدیگر ترکیب کرده و از این رده&rlm;بند مرکب جهت دسته&rlm;بندی خوش&rlm;خیمی و بدخیمی توده&rlm;ها بهره می&rlm;گیریم.</p> <p dir="RTL"><strong>یافته&rlm;ها: </strong>این سیستم بر روی دو پایگاه داده مورد ارزیابی قرار گرفته است و نتایج حاصل نشان&rlm;دهنده این است که سیستم کمکی پیشنهادی از لحاظ دقت کاملاً قابل رقابت با سیستم&rlm;های مدرن موجود می&rlm;باشد. دقت حاصل شده در پایگاه داده<span dir="LTR">MIAS </span>&nbsp;برابر با 93% و در پایگاه داده <span dir="LTR">DDSM</span> برابر با 90% بوده است.</p> <p dir="RTL"><strong>نتیجه&rlm;گیری: </strong>به طور کلی می&rlm;توان نوآوری&rlm;های موجود در این مقاله را در معرفی یک سیستم خودکار تطبیقی بر مبنای الگوریتم رشد ناحیه جهت بخش&rlm;بندی توده&rlm;ها، استفاده از توصیف&rlm;گرهای مبتنی بر تجزیه مود ذاتی و معرفی یک معماری جدید برای ترکیب رده&shy;بندها استفاده کرد.</p> <p><strong>Abstract</strong></p> <p><strong>Introduction:</strong> Mammography is the most common modality for screening breast cancer. In this paper a computer aided system is introduced to diagnose benignity and malignancy of masses.</p> <p><strong>Methods: </strong>In the first step of the proposed method, masses are prepared for segmentation using a noise reduction and contrast enhancement technique. Afterwards, a region of interest is segmented using a new adaptive region growing algorithm, and boundary and texture features are extracted to form its feature vector. Consequently, a new robust architecture is proposed to combine weak and strong classifiers to classify masses. Finally, the proposed mass diagnosis system was also tested on mini-MIAS and DDSM databases.</p> <p><strong>Results: </strong>The obtained results indicate that the proposed system can compete with the state-of-the-art methods in terms of accuracy.</p> <p><strong>Conclusion: </strong>The novelties of the proposed system can be summarized as presenting a new automatic adaptive region growing algorithm to extract boundary of masses, using descriptors based on empirical mode functions, and introducing a new framework for combing classifiers.</p> سرطان پستان, ماموگرافی, خوش‏خیمی و بدخیمی Breast Cancer, Mammography, Benign and Malignant 31 41 http://ijbd.ir/browse.php?a_code=A-10-104-7&slc_lang=fa&sid=1 Omid Rahmani Seryasat امید رحمانی سریاست 00031947532846002748 00031947532846002748 No Javad Haddadnia جواد حدادنیا haddadnia@hsu.ac.ir 00031947532846002749 00031947532846002749 Yes Hossein Ghayoumi Zadeh حسین قیومی زاده 00031947532846002750 00031947532846002750 No