نوع مقاله : مقاله پژوهشی

نویسندگان

گروه مهندسی کامپیوتر، موسسه آموزش عالی آیندگان، تنکابن، ایران.

چکیده

هدف: بیماری سرطان سینه یکی از مهم‌ترین و شایع‌ترین نوع سرطان‌ها در جهان است. دو نوع سرطان سینه وجود دارد سرطان خوش‌خیم و سرطان بدخیم. حالت خوش‌خیم رشد ضعیفی در بدن دارد و به‌ندرت در مناطق دیگر بدن توزیع می‌شود و همچنین دارای ویژگی‌های مشخصی است؛ اما در نوع بدخیم تمایل به گسترش سریع‌­تر را می­بینیم که برای زندگی فرد خطرآفرین است؛ بنابراین، طبقه‌بندی آن به این دو حالت برای تشخیص و درمان و ... بسیار ضروری و مهم است.
روش‌شناسی پژوهش: ابتدا تصویر ماموگرافی که از سینه‌ی بیماران تهیه‌شده با کمک نظر پزشکان مورد ارزیابی قرار گرفت و سپس تصاویر مورد پردازش قرار گرفت و در این مرحله با استفاده از منطق فازی موفق شدیم که سرطان و نوع آن را سریع‌تر شناسایی نماییم.
یافته‌ها: در این مقاله الگوریتمی جدید برای تشخیص سرطان خوش‌خیم و بدخیم پیشنهاد می‌شود، هر یک از شاخه‌های خوش‌خیم و بدخیم دارای دو نوع آدنوز تومور و تومور فیلودس است و بدخیم دارای دو نوع سرطان مجاری ‌و سرطان پاپیلار است. در این مقاله الگوریتمی را برای تشخیص سرطان سینه پیشنهاد و بررسی کردیم که شامل چهار مرحله است. مرحله اول مرحله پیش‌پردازش است، مرحله دوم برای تجزیه‌وتحلیل تصویر که از تبدیل موجک برای تجزیه‌وتحلیل تصاویر استفاده می‌شود و مرحله سوم استخراج ویژگی‌های سودمند می‌باشد که از نتایج حاصل از تبدیل موجک برای به دست آوردن آن بهره می‌بریم و مرحله چهارم این است که با استفاده از منطق فازی برای شناختن دو نوع خوش‌خیم یا بدخیم تصویر را بررسی کنیم.
اصالت/ارزش‌افزوده علمی: ارائه روش جدیدی که به کمک آن بتوان بیماری را شناسایی کرد و مانع از تبدیل‌شدن آن به نوع بدخیم شد اهمیت بسیار زیادی دارد.

کلیدواژه‌ها

عنوان مقاله [English]

A New Method Based on Operational Strategies for Early Detection of Breast Cancers

نویسندگان [English]

  • Samira Khajehkhasan
  • Soheil Fakheri

Ayandegan Higher of Education Institute, Department of Computer Engineering, Tonekabon, Iran.

چکیده [English]

Purpose: Breast cancer is one of the most important and common types of cancer in the world. There are two types of breast cancer: benign cancer and malignant cancer. The benign condition has poor growth in the body and is rarely distributed in other areas of the body and also has certain characteristics. But in the malignant type, we see a tendency to spread faster, which is dangerous for a person's life. Therefore, its classification into these two modes is very necessary and important for diagnosis and treatment.
Methodology: First, mammographic images of patients' breasts were evaluated with the help of doctors and then the images were processed. At this stage, we succeeded in using fuzzy logic to identify cancer and its type more quickly.
Results: In this article, a new algorithm for the diagnosis of benign and malignant cancers is proposed. Each of the benign and malignant branches has two types of tumor adenosis and phyllodes tumor, and malignant has two types of duct cancer and papillary cancer. In this article, we propose an algorithm for diagnosing breast cancer that includes four steps. The first stage is the preprocessing stage, the second stage is for image analysis, which uses wavelet transform to analyze images, and the third stage is the extraction of useful features that we use the results of wavelet transform to obtain it, and the fourth stage That is, we use fuzzy logic to identify two types of benign or malignant images.
Originality/Value: A new way to diagnose the disease and prevent it from becoming malignant is very important.

کلیدواژه‌ها [English]

  • breast cancer
  • Fuzzy logic
  • image processing
  • wavelet transform
Ahadi, F. S., Desai, M. R., Lei, C., Li, Y., & Jia, R. (2017). Feature-Based classification and diagnosis of breast cancer using fuzzy inference system. In 2017 IEEE international conference on information and automation (ICIA) (pp. 517-522). IEEE.
Al-Abed, M. A. (2006). A Novel approach in the Detection of Obstructive sleep apnea from electrocardiogram signals using neural network classification of textural features extracted from time-frequency plots. https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.331.9461&rep=rep1&type=pdf
Alasadi, A. H. H., & AL-Safy, B. M. R. (2016). Early detection and classification of melanoma skin cancer. LAP LAMBERT Academic Publishing.
Al-Ayyoub, M., AlZu'bi, S. M., Jararweh, Y., & Alsmirat, M. A. (2016). A gpu-based breast cancer detection system using single pass fuzzy c-means clustering algorithm. In 2016 5th international conference on multimedia computing and systems (ICMCS) (pp. 650-654). IEEE.
Ali, S. K., & Mutlag, W. K. (2018). early detection for breast cancer by using fuzzy logic. Journal of theoretical and applied information technology, 96(17), 5717-5728.
Chaves-González, J. M., Vega-Rodríguez, M. A., Gómez-Pulido, J. A., & Sánchez-Pérez, J. M. (2010). Detecting skin in face recognition systems: a colour spaces study. Digital signal processing, 20(3), 806-823.
Gao, J., Dai, J., & Zhang, P. (2016). Region-based moving shadow detection using watershed algorithm. In 2016 international symposium on computer, consumer and control (IS3C) (pp. 846-849). IEEE.
Johra, F. T., & Shuvo, M. M. H. (2016). Detection of breast cancer from histopathology image and classifying benign and malignant state using fuzzy logic. In 2016 3rd international conference on electrical engineering and information communication technology (ICEEICT) (pp. 1-5). IEEE.
Nilashi, M., Ibrahim, O., Ahmadi, H., & Shahmoradi, L. (2017). A knowledge-based system for breast cancer classification using fuzzy logic method. Telematics and informatics, 34(4), 133-144.
Parkin, D. M., Bray, F., Ferlay, J., & Pisani, P. (2001). Estimating the world cancer burden: Globocan 2000. International journal of cancer, 94(2), 153-156.
Spanhol, F. A., Oliveira, L. S., Petitjean, C., & Heutte, L. (2015). A dataset for breast cancer histopathological image classification. IEEE transactions on biomedical engineering, 63(7), 1455-1462. Thakur, R. K., & Saravanan, C. (2016). Classification of color hazy images. In 2016 international conference on electrical, electronics, and optimization techniques (ICEEOT) (pp. 2159-2163). IEEE.
Xinyu, X., Guoxin, W., Chunmei, Z., Qiaoman, G., & Chunyan, D. (2017). Image enhancement algorithm of Dongba manuscripts based on wavelet analysis and grey relational theory. In 2017 13th IEEE international conference on electronic measurement & instruments (ICEMI) (pp. 340-345). IEEE.