این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دانشکده پزشکی اصفهان، جلد ۳۸، شماره ۶۰۲، صفحات ۸۹۳-۸۹۹
عنوان فارسی طبقه‌بندی سلول‌های سرطانی پروستات با الگوریتم ماشین بردار پشتیبانی با کرنل‌های مختلف ازتصاویر تشدید مغناطیسی با وزن T۲
چکیده فارسی مقاله مقدمه: سرطان پروستات، یکی از شایع‌ترین انواع سرطان در ایران و جهان است. تصویربرداری از سرطان پروستات، با پیدایش تصویربرداری رزونانس مغناطیسی چند متغیری، بسیار پیشرفت کرده است. هدف از اجرای این مطالعه، تخمین حجم تومور پروستات با استفاده از نرم‌افزارهای کامپیوتری بود؛ چرا که تشخیص دقیق، به درمان اثربخش منجر می‌شود. روش‌ها : با استفاده از یک دستور در نرم‌افزار Matlab، نواحی مورد نظر پیچیده به طور دقیق مشخص شدند. ضمن استفاده از ویژگی‌های هارالیک و روش تجزیه و تحلیل مؤلفه‌ی اصلی، پنج ویژگی مهم از میان 17 ویژگی انتخاب شدند. سپس، از الگوریتم ماشین بردار پشتیبانی برای طبقه‌بندی کردن بافت‌های غیر سرطانی از سرطانی استفاده شد. برای افزایش صحت طبقه‌بندی کننده‌ی ماشین بردار پشتیبانی، از راهکارهای پیشنهاد شده استفاده شد: 1) ویژگی جدید معرفی و استخراج شد، 2) ویژگی‌ها نرمال‌سازی شدند، 3) برای بهینه کردن اعتبارسنجی متقابل، K-fold از 5 به 10 تغییر یافت. به ‌علاوه، ماشین بردار پشتیبانی، طبقه‌بندی را با استفاده از کرنل‌های گوسی، تابع پایه‌ای شعاعی و خطی انجام داد. اگر تومور در بیش از یک اسلایس شناسایی می‌شد، تمام Region of interest (ROI)های مشخص شده در اسلایس‌های مختلف در استخراج ویژگی و تخمین حجم تومور در نظر گرفته می‌شدند. سطح تومور در هر اسلایس، با استفاده از نرم‌افزار Matlab محاسبه و سپس، حجم تومور تخمین زده می‌شد. یافته‌ها: از میان ویژگی‌های هارالیک، کنتراست، همبستگی، همگنی، انرژی و آنتروپی، توانمندترین ویژگی‌ها در این مطالعه بودند که نتایج مطالعات قبلی در این زمینه را تأیید می‌کند. حساسیت طبقه‌بندی کننده‌ی ماشین بردار پشتیبانی با کرنل گوسی 9180/0 به دست آمد؛ در حالی که با کرنل‌های شعاعی و خطی، به ترتیب 7097/0 و 8571/0 به دست آمد. همچنین، ویژگی کرنل‌های گوسی، تابع پایه‌ای شعاعی و خطی به ترتیب 6500/0، 8305/0 و 7069/0 بود. صحت با کرنل‌های گوسی و خطی برابر 7851/0 به دست آمد که از صحت تابع پایه‌ای شعاعی بیشتر بود. استخراج ویژگی‌ها ی هارالیک از نواحی مورد نظر و کاهش ابعاد این ویژگی‌ها و در نهایت، مرحله‌ی طبقه‌بندی کمتر از یک دقیقه زمان می‌برد. نتیجه‌گیری: روش پیشنهاد شده در این مطالعه، صحت تشخیص را افزایش می‌دهد و ضمن سرعت بیشتر، به راحتی قابل تکرار است.
کلیدواژه‌های فارسی مقاله پروستات، نئوپلاسم، کامپیوتر، تخمین،
عنوان انگلیسی Classification of Prostate Cancerous Tissues by Support Vector Machine Algorithm with Different Kernels from T2-Weighted Magnetic Resonance Images
چکیده انگلیسی مقاله Background: Prostate cancer is one of the most prevalent cancer types in Iran and worldwide. Prostate cancer imaging had been promoted using magnetic resonance imaging (MRI). The aim of present study was to estimate prostate tumors volume by a computerized approach. Methods: By using a Matlab command, the regions of interest were precisely identified. The Haralick features were applied. In addition, using the principal component analysis algorithm, five important features were selected among 17 features. Then, a support vector machine classifier was applied to classify cancerous and normal tissues. To increase the accuracy of the machine vector classifier, the proposed solutions were applied: 1) a new feature was introduced and extracted, 2) all features were normalized, 3) to optimize mutual validation, k-fold changed from 5 to 10. In addition, the support vector machine classifier was implemented by using the Gaussian kernel, radial basis function, and linear kernel. If the tumor was identified in more than one slice, all identified region of interest (ROIs) in different slices were considered in the feature extractions and tumor volume estimation processes. Findings: Among the Haralick features, contrast, correlation, homogeneity, energy, and entropy were the most powerful features in this study that confirmed the findings of previous studies. The sensitivity of the classifier was obtained 0.9180 using Gaussian kernel, while with radial basis function and linear kernels obtained 0.7097 and 0.8571, respectively. In addition, the specificity of Gaussian, radial basis function, and linear kernels were obtained 0.6500, 0.8305, and 0.7069, respectively. The accuracy with Gaussian and linear kernels was obtained 0.7851 which was greater than with the radial basis function. The feature extraction of the regions of interest, feature reduction, and classification steps took less than one minute which indicated the proposed algorithm was fast. It was also repeatable. Conclusion: The proposed computerized estimation of prostate tumors volume can increase the accuracy of the diagnosis. It is quick and simply repeatable.
کلیدواژه‌های انگلیسی مقاله Prostate, Neoplasms, Computers, Estimation techniques
نویسندگان مقاله محمدرضا عزیزیان |
استادیار، گروه فیزیک پزشکی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

مهناز اتحاد توکل |
رادیولوژیست، بخش رادیولوژی، مرکز درمانی عسگریه، اصفهان، ایران

سعید خان باباپور |
استاد، گروه آسیب‌شناسی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

آذر برادران |
استادیار، گروه فیزیک پزشکی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

میلاد برادران |
استاد، گروه فیزیک پزشکی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

احمد شانئی |


نشانی اینترنتی http://jims.mui.ac.ir/index.php/jims/article/view/13075
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/103/article-103-2481800.pdf
کد مقاله (doi) 10.22122/jims.v38i602.13075
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