تشخیص سرطان دهانه ی رحم در تصاویر پاپ اسمیر با استفاده از ویژگی های بافتی و هندسی

مقدمه: یکی از سرطان های شایع در بین زنان، سرطان دهانه ی رحم است که پزشک می تواند از یک سیستم کامپیوتری تشخیصی به منظور تشخیص سریع تر و راحت تر بهره مند شود. هدف از انجام این مطالعه، طبقه بندی سلول های دهانه ی رحم در تصاویر تست پاپ اسمیر به دو گروه طبیعی و غیر طبیعی بود.روش ها: در این مقاله، از پایگاه داده ی عمومی Herlev استفاده شد. این پایگاه داده، شامل ۹۱۷ سلول می باشد. تعداد ۳۵ ویژگی هندسی و ۲۶۳ ویژگی بافتی نظیر ویژگی های ماتریس های هم رخداد (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 ۵، ۱۰، ۱۵ و ۲۰ ویژگی برتر با استفاده از آزمون t انتخاب شد. ارزیابی مورد استفاده در این مقاله، به صورت ۱۰ قسمتی بود و نتایج طبقه بندهای ماشین بردار پشتیبان، درخت تصمیم، K نزدیک ترین همسایگی و روش ترکیبی گزارش شد.یافته ها: الگوریتم طراحی شده در طبقه بندی ماشین بردار پشتیبان به دقت ۵/۹۷ درصد در طبقه بندی دو کلاس در ۲۰ ویژگی دست پیدا کرد.نتیجه گیری: ویژگی های هندسی از قدرت بسیار بالایی در تفکیک سلول های طبیعی و غیر طبیعی برخوردار هستند. به منظور افزایش دقت در تشخیص از ویژگی های بافتی هیستوگرام گرادیان چرخشی به عنوان مکمل ویژگی های هندسی استفاده کرد. در صورت بهینه کردن تعداد ویژگی ها و انتخاب درست مجموعه ی ویژگی، می توان میزان انحراف از معیار را ۳-۲ درصدکاهش داد و زمان پردازش را بهینه تر کرد.