این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دانشکده پزشکی اصفهان، جلد ۳۸، شماره ۵۸۳، صفحات ۴۸۹-۴۹۳
عنوان فارسی تشخیص سرطان دهانه‌ی رحم در تصاویر پاپ اسمیر با استفاده از ویژگی‌های بافتی و هندسی
چکیده فارسی مقاله مقدمه: یکی از سرطان‌های شایع در بین زنان، سرطان دهانه‌ی رحم است که پزشک می‌تواند از یک سیستم کامپیوتری تشخیصی به منظور تشخیص سریع‌تر و راحت‌تر بهره‌مند شود. هدف از انجام این مطالعه، طبقه‌بندی سلول‌های دهانه‌ی رحم در تصاویر تست پاپ اسمیر به دو گروه طبیعی و غیر طبیعی بود. روش‌ها: در این مقاله، از پایگاه داده‌ی عمومی Herlev استفاده شد. این پایگاه داده، شامل 917 سلول می‌باشد. تعداد 35 ویژگی هندسی و 263 ویژگی بافتی نظیر ویژگی‌های ماتریس‌های هم‌رخداد (Gray level co-occurrence matrix یا GLCM)، الگوی محلی دودویی (Local binary pattern یا LBP) و هیستوگرام گرادیان چرخشی از تصاویر سلول استخراج شد. سپس، تعداد 5، 10، 15 و 20 ویژگی برتر با استفاده از آزمون t انتخاب شد. ارزیابی مورد استفاده در این مقاله، به صورت 10 قسمتی بود و نتایج طبقه‌بندهای ماشین بردار پشتیبان، درخت تصمیم، K نزدیک‌ترین همسایگی و روش ترکیبی گزارش شد. یافته‌ها: الگوریتم طراحی شده در طبقه‌بندی ماشین بردار پشتیبان به دقت 5/97 درصد در طبقه‌بندی دو کلاس در 20 ویژگی دست پیدا کرد. نتیجه‌گیری: ویژگی‌های هندسی از قدرت بسیار بالایی در تفکیک سلول‌های طبیعی و غیر طبیعی برخوردار هستند. به منظور افزایش دقت در تشخیص از ویژگی‌های بافتی هیستوگرام گرادیان چرخشی به عنوان مکمل ویژگی‌های هندسی استفاده کرد. در صورت بهینه کردن تعداد ویژگی‌ها و انتخاب درست مجموعه‌ی ویژگی، می‌توان میزان انحراف از معیار را 3-2 درصدکاهش داد و زمان پردازش را بهینه‌تر کرد.
کلیدواژه‌های فارسی مقاله طبقه‌بندی، سرطان دهانه‌ی رحم، پاپ اسمیر،
عنوان انگلیسی Diagnosis of Cervical Cancer Using Texture and Morphological Features in Pap Smear Images
چکیده انگلیسی مقاله Background: Cervical cancer is one of the most common cancers among women worldwide, which can be diagnosed more quickly via using digital systems. The purpose of this study was to classify the cells in Pap smear test images into two types of normal and abnormal by using image processing to diagnose cervical cancers. Methods: We used Herlev public database, which contained 917 cells. 35 geometric and 263 histologic features such as Gray Level Co-Occurrence Matrix (GLCM), Local Binary Pattern (LBP), and rotational gradient histogram were extracted from cell images. T test filter method was applied on the data set after extraction of geometrical and textural features. We used different classification methods such as support vector machine (SVM), decision tree (DT), k nearest neighbor (KNN) and ensemble classifiers. Findings: The best results were for SVM classifier as 97.5% accuracy in two-class classification with 20 features. Conclusion: Feature selection and feature extraction methods are very important for classify normal and abnormal cervical cell images. By optimizing and choosing the right methods, we can optimizing accuracy, and speed and error (2-3 percent).
کلیدواژه‌های انگلیسی مقاله Classification,Cervical cancer,Pap smear
نویسندگان مقاله حمید حسین‌آبادی |
استاد، گروه بیوالکتریک، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

علیرضا mehri مهری دهنوی |
استاد، گروه آسیب‌شناسی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

اردشیر طالبی |
دانشجوی دکتری تخصصی، گروه بیوالکتریک، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

محمدرضا مومن‌زاده |
استادیار، گروه بیوالکتریک، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

علیرضا ورد |


نشانی اینترنتی http://jims.mui.ac.ir/index.php/jims/article/view/12598
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/103/article-103-2481856.pdf
کد مقاله (doi) 10.22122/jims.v38i583.12598
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده مقاله پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات