Automatic Classification of Breast Cancer Images Using Transfer Learning on Enhanced Mammography Images
Subject Areas : electrical and computer engineeringZahra Amiri 1 * , Zahra Mortezaie 2
1 - Department of Computer Engineering, Faculty of Electrical and Computer Engineering, University of Science and Technology of Mazandaran, Behshahr, Iran
2 - Department of Computer Sciences, Faculty of Mathematics and Computer Sciences, Hakim Sabzevari University, Sabzevar, Iran
Keywords: Computer Vision, Breast Cancer, Deep Learning, Image Enhancement,
Abstract :
Breast cancer is considered one of the major concerns in global health, and it is divided into two types: benign and malignant. The malignant type poses a higher risk due to its faster metastasis. Therefore, there is a critical need for fast and accurate detection. Despite the expertise of radiologists, errors due to incorrect interpretation often lead to misdiagnoses. To address this issue, this paper proposes an intelligent system for analyzing mammography images, which includes preprocessing, feature extraction, and classification stages. In this system, the image quality is first improved using preprocessing techniques like Contrast Limited Adaptive Histogram Equalization (CLAHE), and then the region corresponding to the cancerous mass is extracted using Otsu’s thresholding segmentation method. Additionally, key features for distinguishing between benign and malignant tumors are extracted using two pre-trained Convolutional Neural Network (CNN) models, namely ResNet50 and InceptionV3. Finally, the extracted features are analyzed using a Support Vector Machine (SVM) classifier to predict the tumor types. The result of this work is an improvement in diagnostic accuracy and early breast cancer detection, which reduces human error and the current challenges in interpreting mammography images
[1] S. Łukasiewicz, M. Czeczelewski, A. Forma, J. Baj, R. Sitarz and A. Stanisławek, "Breast Cancer—Epidemiology, Risk Factors, Classification, Prognostic Markers, and Current Treatment Strategies—an updated review.," Cancers, vol. 13, no. 17, p. 4287, 2021.
[2] C. Cruz-Ramos, O. García-Avila, J. Almaraz-Damian, V. Ponomaryov, R. Reyes-Reyes and S. Sadovnychiy, "Benign and Malignant Breast Tumor Classification in Ultrasound and Mammography Images via Fusion of Deep Learning and Handcraft Feature," Entropy, vol. 25, no. 7, p. 991, 2023.
[3] K. Korhonen, S. Weinstein, E. McDonald and E. Conant, "Strategies to Increase Cancer Detection: Review of True-positive and False-negative Results at Digital Breast Tomosynthesis Screening," Radiographics, vol. 36, no. 7, pp. 1954-1965, 2016.
[4] E. Ekpo, M. Alakhras and P. Brennan, "Errors in Mammography Cannot be sSolved Through Technology Alone," Asian Pacific journal of cancer prevention, vol. 19, no. 2, p. 291, 2018.
[5] L. Nicosia, G. Gnocchi, I. Gorini, M. Venturini, F. Fontana, F. Pesapane, I. Abiuso, A. Bozzini, M. Pizzamiglio, A. Latronico and F. Abbate, "History of Mammography: Analysis of Breast Imaging Diagnostic Achievements over the Last Century.," Healthcare, vol. 11, no. 11, p. 1596, 2023.
[6] F. Shahidi, S. Daud, H. Abas, N. Ahmad and N. Maarop, "Breast Cancer Classification using Deep Learning Approaches and Histopathology Image: A Comparison Study," IEEE Access, vol. 8, pp. 187531-187552, 2020.
[7] B. Bektaş, İ. Emre, E. Kartal and S. Gulsecen, "Classification of Mammography Images by Machine Learning Techniques," in 3rd International Conference on Computer Science and Engineering (UBMK) (pp. 580-585), 2018.
[8] J. Arevalo, F. González, R. Ramos-Pollán, J. Oliveira and M. Lopez, "Convolutional Neural Networks for Mammography Mass Lesion Classification," in 37th Annual international conference of the IEEE engineering in medicine and biology society (EMBC) (pp. 797-800). IEEE, 2015.
[9] H. Li, S. L. Zhuang, Z. D.A. and Y. J. Ma, "Benign and Malignant Classification of Mammogram Images based on Deep Learning," Biomedical Signal Processing and Control, vol. 51, pp. 347-354, 2019.
[10] P. Hepsağ, S. Özel and A. Yazıcı, "Using Deep Learning for Mammography Classification," in International Conference on Computer Science and Engineering (UBMK) (pp. 418-423). IEEE, 2017.
[11] W. Salama and M. Aly, "Deep Learning in Mammography Images Segmentation and Classification: Automated CNN Approach," Alexandria Engineering Journal, vol. 60, no. 5, pp. 4701-4709, 2021.
[12] U. Albalawi, S. Manimurugan and R. Varatharajan, "Classification of Breast Cancer Mammogram Images using Convolution Neural Network," Concurrency and Computation: Practice and Experience, vol. 34, no. 13, p. 5803, 2022.
[13] T. Mahmood, J. Li, Y. Pei, F. Akhtar, M. Rehman and S. Wasti, "Breast Lesions Classifications of Mammographic Images Using a Deep Convolutional Neural Network-based Approach," Plos One, vol. 17, no. 1, 2022.
[14] S. Agnes, J. Anitha, S. Pandian and J. Peter, "Classification of Mammogram Images using Multiscale All Nonvolutional Neural Network (MA-CNN)," Journal of Medical Systems, vol. 44, no. 1, p. 30, 2019.
[15] U. K. Sajid, R.A., S. S.M. and S. Arif, "Breast Cancer Classification using Deep Learned Features Boosted with Handcrafted Features," Biomedical Signal Processing and Control, , vol. 86, 2023.
[16] A. Joseph, M. Abdullahi, S. Junaidu, H. Ibrahim and H. Chiroma, "Improved Multi-classification of Breast Cancer Histopathological Images using Handcrafted Features and Deep Neural Network (dense layer)," Intelligent Systems with Applications, vol. 14, 2022.
[17] D. Muduli, R. Dash and B. Majhi, "Automated Diagnosis of Breast Cancer using Multi-modal Datasets: A Deep Convolution Neural Network based Approach," Biomedical. Signal Processing and Control, vol. 71, 2022.
[18] L. Falconí, M. Pérez, W. Aguilar and A. Conci, "Transfer Learning and Fine Tuning in Mammogram Bi-rads Classification," in 2020 IEEE 33rd International Symposium on Computer-Based Medical Systems (CBMS), Rochester, MN, USA., 2020.
[19] C. Szegedy, S. Ioffe, V. Vanhoucke and A. A. Alemi, "Inception-v4, Inception-Resnet and the Impact of Residual Connections on Learning," in Thirty-first AAAI Conference on Artificial Intelligence, San Francisco, 2017.
[20] B. Jena, G. K. Nayak and S. Saxena, "Convolutional Neural Network and Its Pretrained Models for Image Classification and Object Detection: A Survey," Concurrency and Computation: Practice and Experience, vol. 34, no. 6, 2022.
[21] A. Caroppo, A. Leone and P. Siciliano, "Deep Transfer Learning Approaches for Bleeding Detection in Endoscopy Images," Computerized Medical Imaging and Graphics, vol. 88, p. 101852, 2021.
[22] C. Ding and P. H., "Minimum Redundancy Feature Selection from Microarray Gene Expression Data," Journal of Bioinformatics and Computational Biology, vol. 3, no. 2, p. 185–205, 2005.
[23] M. M. AlyanNezhadi, H. Dabbaghan, S. Moghani and M. Forghani, A Painting Artist Recognition System Based on Image Processing and Hierarchical SVM, Tehran, Iran: 5th Conference on Knowledge Based Engineering and Innovation (KBEI), 2019.
[24] P. S. Sundaram and N. Santhiyakumari, "An Enhancement of Computer Aided Approach for Colon Cancer Detection in WCE Images Using ROI Based Color Histogram and SVM2," Journal of medical systems, vol. 43, no. 2, p. 29, 2019.
[25] Z. Amiri, H. Hassanpour and A. Beghdadi, "Abnormalities detection in wireless capsule endoscopy images using EM algorithm," The Visual Computer, vol. 39, no. 7, pp. 2999-3010, 2023.
[26] Z. Amiri, H. Hassanpour and A. Beghdadi, "Combining deep features and hand-crafted features for abnormality detection in WCE images," Multimedia Tools and Applications, vol. 83, no. 2, pp. 5837-5870, 2024.
132 نشریه مهندسی برق و مهندسی کامپیوتر ایران، ب- مهندسی کامپیوتر، سال 23، شماره 2، تابستان 1404
مقاله پژوهشی
طبقهبندی خودکار تصاویر سرطان پستان با استفاده از یادگیری
انتقال بر روی تصاویر ماموگرافی بهبودیافته
زهرا امیری و زهرا مرتضایی
چکیده: سرطان پستان، یکی از نگرانیهای مهم در حوزه بهداشت جهانی محسوب میشود که به دو نوع خوشخیم و بدخیم تقسیم میشود. از این رو نیاز حیاتی به تشخیص سریع و دقیق دارد. علیرغم تخصص رادیولوژیستها، خطاهای ناشی از تفسیر غلط منجر به تشخیصهای نادرست میشود. برای حل این مشکل، این مقاله سیستم هوشمندی را برای تحلیل تصاویر ماموگرافی پیشنهاد میکند که شامل مراحل پیشپردازش، استخراج ویژگیها و طبقهبندی آنها میباشد. در این سیستم، ابتدا با استفاده از تکنیکهای پیشپردازشی مانند بهبود هیستوگرام تطبیقی محدودشده توسط کنتراست کیفیت تصویر را بهبود بخشیده و در ادامه از روش قطعهبندی به روش آستانهگذاری آتسو برای استخراج ناحیه مربوط به توده سرطانی استفاده میشود. همچنین با استفاده از دو مدل از پیش آموزش داده شده شبکههای عصبی پیچشی، یعنی 50ResNet و 3InceptionV، ویژگیهای کلیدی برای تمایز بین تومورهای خوشخیم و بدخیم استخراج میشود. نهایتاً با بهرهمندی از طبقهبند ماشین بردار پشتیبان، ویژگیهای استخراجشده بهمنظور پیشبینی نوع تومورها، تجزیه و تحلیل میشود. با ارزیابی مدل پیشنهادی بر روی مجموعه داده INBreast میانگین وزندار معیارهای Precision و Recall مقدار 954/0 به دست آمده که نشاندهنده عملکرد قوی مدل در تفکیک صحیح تودههای پستانی است. نتیجه این کار، بهبود دقت تشخیص و همچنین تشخیص زودهنگام سرطان پستان است که منجر به کاهش خطای انسانی و چالشهای فعلی در تفسیر تصاویر ماموگرافی میشود.
کلیدواژه: بهسازی تصویر، بینایی ماشین، سرطان پستان، شبکه عصبی عمیق، یادگیری عمیق، ماموگرافی.
1- مقدمه
سرطان پستان یکی از انواع شایع سرطان است که میلیونها نفر در سراسر جهان را تحت تأثیر قرار میدهد [1]. آنچه این بیماری را از بسیاری از انواع دیگر سرطان متمایز میکند، قابلیت تشخیص بالای آن از طریق تصاویر ماموگرافی است. ماموگرافی یک تکنیک تصویربرداری تشخیصی است که بهطور خاص برای این نوع سرطان بسیار مؤثر است. سرطانهای پستانی معمولاً به دو دسته سرطانهای خوشخیم و بدخیم تقسیم میشوند [2]. سرطانهای پستانی بدخیم به دلیل تمایل به گسترش سریع، بسیار خطرناکتر هستند؛ بنابراین اهمیت تشخیص بهموقع و دقیق آن غیر قابل انکار است.
در حال حاضر، مسئولیت تشخیص سرطان پستان عمدتاً بر عهده رادیولوژیستها است. علیرغم اینکه این متخصصان مهارت بالایی دارند، اما مصون از اشتباه نیستند و خطاهای انسانی مانند تفسیر غلط تصاویر میتواند منجر به تشخیصهای نادرست از جمله وجود موارد مثبت کاذب و منفی کاذب شود [3]. یک مشکل مهم در طبقهبندی تصاویر ماموگرافی، وجود موارد مثبت کاذب است که در آن بافت سالم به اشتباه بهعنوان بافت غیرطبیعی شناسایی میشود و در شرایط دیگر وجود موارد منفی کاذب است که در آن ناهنجاریهای واقعی نادیده گرفته میشوند. هر دو وضعیت میتواند باعث استرس بیش از حد برای بیماران یا تأخیر در درمانهای ضروری شود.
علاوه بر این، کیفیت تصاویر ماموگرافی میتواند بهشدت متغیر باشد که تحت تأثیر عواملی مانند فناوری تصویربرداری مورد استفاده، نحوه قرارگیری بیمار و تراکم بافت پستانی است [4]. چنین مسائلی میتواند ناهنجاریهای بالقوه را مخفی کند و ارزیابی و تشخیص درست را تحت تأثیر منفی قرار دهد. همچنین به دلیل ترکیب پیچیده بافت پستانی، متخصصین ممکن است در تشخیص دچار خطا شوند [5]. تمایز بین شکلهای آناتومیکی استاندارد و تغییرات پاتولوژیک احتمالی، حتی برای الگوریتمهای پیشرفته نیز چالشبرانگیز است. در همین حال، مجموعه دادههای ماموگرافی معمولاً از عدم تعادل کلاس رنج میبرند و نمونههای بافتی نرمال نسبت به یافتههای غیرطبیعی یا سرطانی بیشتر هستند [6]. این نابرابری میتواند مدلهای یادگیری ماشین را به سمت پیشبینی کلاس اکثریت سوق دهد؛ بنابراین توانایی آنها در شناسایی دقیق موارد سرطان را کاهش میدهد.
برای حل این چالشها، طراحی و توسعه یک سیستم هوشمند برای تجزیه و تحلیل تصاویر ماموگرافی و ارائه تشخیصهای دقیق با درجه بالایی از اطمینان ضروری است. چنین سیستمی میتواند نقش کلیدی در تشخیص زودهنگام و دقیق سرطان پستان ایفا کند. در این مقاله به جزئیات چگونگی ایجاد چنین سیستمی میپردازیم که حول سه جزء اصلی سازماندهی شده است: پیشپردازش، استخراج ویژگیها و طبقهبندی آنها.
مرحله پیشپردازش برای آمادهسازی تصاویر ماموگرافی در راستای تجزیه و تحلیل دقیق و مناسب، ضروری است. در این مرحله با افزایش کنتراست تصاویر میتوان شناسایی ناهنجاریهای بالقوه را آسانتر کرد.
از این رو در این مقاله در مرحله پیشپردازش، روش بهبود هیستوگرام تطبیقی محدودشده توسط کنتراست 2(CLAHE) روی تصاویر پستان اعمال میشود تا کیفیت تصاویر را بهبود بخشد. سپس نواحی مورد نظر 3(ROI) یعنی تومورها، با استفاده از توزیع نرمال و قطعهبندی به روش آستانهگذاری آتسو4 استخراج میشوند.
پس از پیشپردازش، مرحله استخراج ویژگیهاست که بر شناسایی و استخراج ویژگیهای مرتبط و متمایز از تصاویر پردازششده تمرکز دارد. این مرحله برای تمایز بین تومورهای خوشخیم و بدخیم ضروری است. ویژگیهای مورد نظر ممکن است شامل الگوهای بافت، شکل و شدت رنگ در تصاویر باشد. شبکههای عصبی پیچشی 5(CNN) به دلیل کارآمدی در حل مشکلات استخراج ویژگی و طبقهبندی، بهویژه در تجزیه و تحلیل تصاویر، در این زمینه پرکاربرد هستند. بنابراین در مرحله استخراج ویژگی، ابتدا تصاویر بهبودیافته توسط روش CLAHE با ROI استخراجشده در یک فرم وزنی ترکیب میشوند و سپس تصویر ترکیبی بهعنوان ورودی به دو مدل از پیش آموزش داده شده 50ResNet و 3InceptionV ارسال میشود تا ویژگیهای تصاویر را استخراج کند.
در نهایت، مرحله طبقهبندی شامل تجزیه و تحلیل ویژگیهای استخراجشده برای طبقهبندی تومورها بهعنوان خوشخیم یا بدخیم است. در سومین مرحله، ویژگیهای استخراجشده به یک طبقهبندیکننده ماشین بردار پشتیبان 6(SVM) منتقل میشود تا احتمالات کلاسها را پیشبینی کند و در نتیجه تصویر را طبقهبندی کند. با ادغام این سه مرحله- پیشپردازش، استخراج ویژگیها و طبقهبندی- سیستم پیشنهادی خطای انسانی در تفسیر تصاویر ماموگرافی را کاهش میدهد. در واقع با خودکارکردن تجزیه و تحلیل تصاویر ماموگرافی، این سیستم هوشمند توانایی زیادی برای افزایش دقت تشخیص سرطان پستان دارد و نهایتاً به تشخیص زودتر بیماری کمک میکند.
ساختار این مقاله به شرح زیر سازماندهی شده است: برخی از کارهای مرتبط بهصورت خلاصه در بخش 2 بررسی شدهاند. بخشهای 3 و 4 شامل روش پیشنهادی و نتایج تجربی هستند و نتیجهگیری مقاله در بخش 5 ارائه شده است.
2- کارهای گذشته
تلاشهای زیادی برای بهبود طبقهبندی سرطان پستان انجام شده است. مرجع [7] بر شناسایی و دستهبندی تودههای پستانی به دو دسته خوشخیم یا بدخیم تمرکز دارد. این مرجع با استفاده از پایگاه داده
mini-MIAS، پیشپردازشهایی را برای حذف مناطق غیرمرتبط و فیلترهایی مانند گاوسی، میانگین، میانی و وینر به همراه روش بهبود هیستوگرام تطبیقی محدودشده توسط کنتراست برای تأکید بر روی ناهنجاریهای بالقوه انجام داد. در این مرجع استخراج ویژگی از تصاویر
با استفاده از روشهای هیستوگرام گرادیان چرخشی 7(HOG)، الگوی دودویی محلی 8(LBP) و ماتریس همرخدادی سطح خاکستری 9(GLCM) انجام شد. سپس این ویژگیها در سه گروه عادی، خوشخیم و بدخیم و دو گروه عادی و غیرطبیعی با استفاده از چندین الگوریتم یادگیری ماشین، طبقهبندی شدند.
مرجع [8] اثربخشی شبکههای عصبی پیچشی را در یادگیری خودکار ویژگیها از تصاویر ماموگرافی برای تشخیص ضایعات تودهای ارزیابی میکند. این مرجع نشان میدهد که شبکههای عصبی پیچشی، تجزیه و تحلیل تصاویر ماموگرافی را بهطور قابل توجهی بهبود میدهند و رویکردی کارآمدتر و دقیقتر را نسبت به روشهای متداول استخراج سنتی ویژگیها از تصاویر پزشکی ارائه میکنند. مرجع [9] پیچیدگیهای موجود در تشخیص سرطان پستان را از طریق ماموگرافی با استفاده از روشهای یادگیری عمیق حل میکند. در این مرجع یک مدل شبکه عصبی به نام شبکه عصبی DenseNet-II بهبودیافته معرفی میشود تا دقت و کارایی در تمایز بین تصاویر ماموگرافی خوشخیم و بدخیم افزایش یابد. این روش شامل پیشپردازش تصاویر و نرمالسازی و افزایش داده برای مقابله با محدودیتهای مجموعه داده است. مدل شبکه عصبی DenseNet-II ساختار شبکه عصبی Inception را در لایه پیچشی اولیه خود ادغام میکند که قابلیتهای طبقهبندی آن را افزایش میدهد.
مرجع [10] از شبکههای عصبی پیچشی برای طبقهبندی تصاویر ماموگرافی به دو دسته خوشخیم یا بدخیم با استفاده از دو پایگاه داده mini-MIAS و BCDR استفاده میکند. راهکار ارائهشده در این مرجع با روشهای پیشپردازش مانند برش نواحی حاشیهای و مازاد تصاویر10، تقویت و دستکاری دادهها و تعادلسازی بین تعداد دادههای موجود در دو کلاس، بهبود یافت. مرجع [11] چارچوبی برای قطعهبندی و طبقهبندی تصاویر سرطان پستان معرفی میکند که از مدلهای یادگیری عمیق مختلف مانند شبکههای عصبی 3InceptionV، 121DenseNet، 50ResNet، 16VGG و 2MobileNetV برای تمایز بین موارد خوشخیم و بدخیم در تصاویر ماموگرافی پایگاههای داده MIAS، DDSM و CBIS-DDSM استفاده میکند. علاوه بر این، از یک مدل U-Net اصلاحشده برای قطعهبندی منطقه پستان در تصاویر ماموگرافی استفاده میشود که هدف آن کمک به رادیولوژیستها در تشخیص زودهنگام و افزایش کارایی سیستم است.
مرجع [12] یک طبقهبند بر مبنای شبکههای عصبی پیچشی برای تشخیص سرطان پستان با استفاده از مجموعه داده MIAS ارائه میدهد که از یادگیری عمیق برای بهبود شناسایی و طبقهبندی تصویر استفاده میکند. با ادغام فیلتر وینر برای کاهش نویز و خوشهبندی K-means برای قطعهبندی، این روش تصاویر ماموگرافی را قطعهبندی و طبقهبندی میکند. مرجع [13] یک شبکه عصبی پیچشی مبتنی بر یادگیری عمیق معرفی میکند که برای افزایش دقت تشخیص سرطان پستان با کاهش خطای انسانی در شناسایی بافتهای بدخیم طراحی شده است. با ادغام یادگیری ویژگی با وظایف طبقهبندی، این مدل در تمایز خودکار بین مناطق خوشخیم و بدخیم در تصاویر ماموگرافی عملکرد مناسبی دارد. این مرجع با استفاده از 322 تصویر از مجموعه داده MIAS و 580 تصویر از پایگاههای داده خصوصی، پیشپردازش و یادگیری انتقالی را به کار میگیرد تا مجموعه دادهها را بهبود بخشد و ویژگیهای دقیق نشاندهنده تومورهای پستانی را استخراج کند.
مرجع [14] یک شبکه عصبی پیچشی را برای بهبود تشخیص سرطان پستان از طریق تجزیه و تحلیل تصاویر ماموگرافی معرفی میکند. با استفاده از مزایای شبکههای عصبی پیچشی در استخراج ویژگیها و طبقهبندی، این مرجع قادر به دستهبندی تصاویر ماموگرافی از مجموعه داده mini-MIAS به کلاسهای عادی، بدخیم و خوشخیم است. مراجع [15] و [16] چارچوبی برای طبقهبندی سرطان پستان با استفاده از تصاویر
[1] این مقاله در تاریخ 1 آذر ماه 1403 دریافت و در تاریخ 10 خرداد ماه 1404 بازنگری شد.
زهرا امیری (نویسنده مسئول)، دانشکده مهندسی برق و کامپیوتر، دانشگاه علم و فناوری مازندران، بهشهر، ایران، (email: zahra.amiri@mazust.ac.ir).
زهرا مرتضایی، دانشکده ریاضی و علوم کامپیوتر، دانشگاه حکیم سبزواری، سبزوار، ایران، (email: zm.mortezaie@gmail.com).
[2] . Contrast Limited Adaptive Histogram Equalization
[3] . Region of Interest
[4] . Otsu
[5] . Convolutional Neural Network
[6] . Support Vector Machine
[7] . Histogram of Gradiant
[8] . Local Binay Pattern
[9] . Gray Level Co-Occurrence Matrix
[10] . Cropping
شکل 1- گامهای اصلی روش پیشنهادی.
جدول 1: پارامترهای روش CLAHE.
پارامتر | مقدار |
اندازه بلاک |
|
حد آستانه برای برش هیستوگرام | 01/0 |
نوع توزیع | یکنواخت |
تعداد سطلهای هیستوگرام در هر بلاک | 256 |
بازه مقدار شدت پیکسلها | [0-255] |
ماموگرافی ارائه میدهند که در آن با ادغام ویژگیهای استخراجشده از شبکههای عصبی پیچشی با ویژگیهای سنتی مانند هیستوگرام گرادیان چرخشی، الگوی دودویی محلی و هیستوگرام رنگ دقت طبقهبندی بهبود مییابد.
مرجع [17] یک مدل یک شبکه عصبی پیچشی را برای طبقهبندی خودکار سرطان سینه از انواع مختلف تصاویر، شامل ماموگرام و سونوگرافی پیشنهاد میدهد. این مدل شامل پنج لایه قابل آموزش است: چهار لایه کانولوشن و یک لایه کاملاً متصل. مدل به طور خودکار ویژگیهای برجسته را از تصاویر استخراج میکند و تعداد پارامترهای قابل تنظیم کمتری دارد. نتایج شبیهسازی بر روی مجموعه دادههای ماموگرام INbreast گزارش شده است. گزارشهای مقاله نشان میدهد که روش ارائهشده عملکرد بهتری نسبت به روشهای اخیر داشته است. در [18] از یادگیری انتقال به کمک شبکههای NASNet Mobile، 16VGG و 19VGG برای طبقهبندی تصاویر ماموگرافی استفاده شده و از مجموعه داده INbreast بهره میبرد. روش پیشنهادی با این دو مرجع اخیر در بخش نتایج مورد مقایسه قرار خواهد گرفت.
این مقاله سیستمی هوشمند بهمنظور بهبود تجزیه و تحلیل تصاویر ماموگرافی و طبقهبندی تومورهای سرطان پستان به دو دسته سرطان خوشخیم و بدخیم ارائه میدهد. این سیستم شامل مراحل پیشپردازش، استخراج ویژگیها و طبقهبندی آنهاست. جزئیات این روش پیشنهادی در بخش بعدی شرح داده شده است.
3- روش پیشنهادی
مراحل اصلی روش پیشنهادی در شکل 1 نشان داده شده است. در روش پیشنهادی، ابتدا کنتراست تصویر با استفاده از روش محدودیت کنتراست هیستوگرام تطبیقی بهبود مییابد. سپس مناطق متمایز در تصویر به عنوان نواحی مورد نظر در تصویر استخراج میشوند. پس از آن، این مناطق با استفاده از فیلترهای مورفولوژی تصفیه میشوند. نهایتاً برای برجستهکردن مناطق تومور، تصویر بهبودیافته با استفاده از روش CLAHE و مناطق پیشنهادی استخراجشده در تصویر ادغام میشوند.
3-1 پیشپردازش
برای حفظ انسجام در مجموعه داده که برخی تصاویر پستان در
سمت چپ و برخی دیگر در سمت راست قرار دارند، ابتدا تمام تصاویر در صورت لزوم لازم چرخانده میشوند تا ناحیه پستان در سمت چپ تصویر قرار گیرد.
3-1-1 بهبود تصویر
در این بخش، روش CLAHE بهمنظور افزایش کنتراست تصویر و آشکارسازی جزئیات دقیقتر استفاده میشود. پارامترهای مورد استفاده در این روش در جدول 1 ذکر شده است. تصویر اولیه در شکل 2- الف نشان داده شده و نتیجه پس از اعمال فیلتر در شکل 2- ب ارائه میشود.
3-1-2 استخراج ROI
معمولاً مناطق ضایعه در یک تصویر از نواحی اطراف متمایز هستند و هدف این بخش، استخراج این مناطق است. در اولین گام، یک ماسک از تصویر استخراج میشود که در آن به مناطق پستان مقدار 1 و به مناطق غیر پستان مقدار 0 اختصاص داده میشود. برای استخراج این ماسک، تصویر با استفاده از روش قطعهبندی Otsu با یک آستانه پایین (در اینجا 09/0) دودویی میشود. تصویر ماسک در شکل 2- ج آمده است.
در مرحله بعد برای استخراج ROIها، یک نقشه تمایز منطقه پستان (پیکسلهای غیر صفر) از این ناحیه استخراج میشود (شکل 2- د). برای محاسبه تمایز هر پیکسل نسبت به پیشزمینه، یک توزیع نرمال برای پیکسلها تخمین زده میشود. سپس میزان تعلق هر پیکسل به آن توزیع میتواند به عنوان یک معیار تمایز آن در نظر گرفته شود. یک توزیع نرمال با استفاده از میانگین 
و واریانس 
پیکسلهای منطقه پستان به دادههای تصویر متناسب میشود. احتمال تعلق هر پیکسل به این توزیع را میتوان با استفاده از فرمول زیر تعیین کرد
(1)
مکمل 
را میتوان با استفاده از 
محاسبه کرد (شکل 2- ﻫ). برای ایجاد یک نقشه تمایز، ابتدا یک تصویر جدید تولید میشود که در آن مقدار هر پیکسل برابر با 
برای آن پیکسل است. سپس تصویر تولیدشده به دو سطح با استفاده از روش آستانهگذاری
Otsu تقسیم میشود (شکل 2- و). برای حذف نقاط اضافی از ROI
(الف) (ب) (ج) (د)
(ﻫ) (و) (ز) (ح)
شکل 2: گامهای پیشپردازش، (الف) تصویر، (ب) تصویر بهبودیافته، (ج) ماسک، (د) PDF پیکسلهای تصویر 
، (ﻫ) 
، (و) ROI اولیه، (ز) ROI استخراجشده تصفیهشده و (ح) تصویر ادغامشده نهایی.
استخراجشده، از عملگرهای مورفولوژی استفاده میشود. بدین منظور، یک عنصر ساختاری دایرهای با شعاع دو پیکسل تعریف میشود و به ترتیب یک فرسایش و یک گسترش به تصویر اعمال میشود (شکل 2- ز). آخرین مرحله پیشپردازش شامل ترکیب تصویر تقویتشده با روش CLAHE با ROI استخراجشده از مرحله قبل با استفاده از (2) است
(2)
و 
وزنهایی بین 0 و 1 هستند و مجموع آنها 1 است. نتیجه در شکل 2- ح نشان داده شده است. تصویر خروجی ایجادشده برای مرحله بعدی استفاده میشود.
3-1-3 حاشیهگذاری و افزایش دادهها
تصویر پیشپردازششده با افزودن حاشیه برای تطبیق با ورودیهای مدلهای از پیش آموزش داده شده در مرحله بعد، به یک مربع تبدیل میشود. سپس بهمنظور افزایش تصاویر برای آموزش مدل تصاویر در بازه 30 تا 270 درجه با فواصل 30 درجه چرخانده و ذخیره میشوند. همچنین هر تصویر ایجادشده یک مرتبه برگردانده شده و ذخیره میشود. تصاویر افزایشیافته به عنوان یک مجموعه داده برای فرایند آموزش مورد استفاده قرار میگیرند. لازم به ذکر است که فرایند افزایش دادهها تنها برای مجموعه دادههای آموزش به کار گرفته شده است.
3-2 استخراج ویژگی
در این بخش از دو مدل از پیش آموزش داده شده، 50ResNet و 3InceptionV، بهعنوان استخراجکنندههای ویژگی استفاده شده است. 50ResNet مبتنی بر مفهوم یادگیری باقیمانده [19] از اتصالات میانبر برای کاهش مشکل ناپدیدشدن گرادیان در شبکههای عمیق استفاده میکند. معماری آن از اصول طراحی خاصی پیروی میکند: تعداد فیلترها در لایههای با اندازه نقشه ویژگی خروجی یکسان ثابت میماند و هنگام نصفشدن نقشه ویژگی دو برابر میشود. 3InceptionV یک معماری شبکه عصبی پیچشی شناختهشده برای کارایی آن در مدیریت دادههای بصری پیچیده است. در واقع بخشی از سری مدلهای Inception است که بهطور گسترده برای دقت آن در تحلیل تصویر و تشخیص شیء شناخته شده است [20].
هر دو مدل 50ResNet و 3InceptionV بر روی مجموعه داده ImageNet آموزش داده شدهاند. با توجه به اندازه محدود مجموعه داده موجود برای سرطان پستان، از تنظیم دقیق مدلها بهمنظور جلوگیری از بیشبرازش [21] اجتناب شده و در نتیجه، تصاویر مستقیماً به مدلها وارد شدند و بردارهای ویژگی 2048بعدی از لایه D2AveragePooling هر مدل استخراج شدند.
3-3 انتخاب ویژگی
در مجموع 4096 ویژگی از مراحل قبلی استخراج گردید که شامل 2048 ویژگی از 50ResNet و 2048 ویژگی از 3InceptionV میشود. برای انتخاب زیرمجموعهای از این ویژگیها، از روش انتخاب ویژگی حداکثر ارتباط و حداقل افزونگی 1(MRMR) [22] استفاده شده است. هدف این تکنیک به حداقل رساندن افزونگی ویژگیها در عین به حداکثر رساندن ارتباط مجموعه ویژگی با متغیر پاسخ 
(کلاسها) است. MRMR تمام ویژگیها را رتبهبندی میکند و نمایهها و امتیازهای آنها را به ترتیب نزولی اهمیت ارائه میدهد. در این تحقیق از میان ویژگیهای رتبهبندیشده نصف ویژگیهای بااهمیتتر انتخاب میشود.
3-4 دستهبندی
ویژگیهای انتخابشده در ادامه به یک طبقهبندیکننده ماشین بردار پشتیبان [23] وارد شدند تا تصاویر سرطان پستان را به عنوان خوشخیم یا بدخیم طبقهبندی کنند.
ماشین بردار پشتیبان یکی از روشهای قدرتمند و پرکاربرد در حوزه یادگیری ماشین برای مسائل طبقهبندی دودویی و چندکلاسه است. عملکرد SVM مبتنی بر یافتن یک ابرصفحه بهینه است که بیشترین فاصله را بین دادههای دو کلاس ایجاد میکند. این ویژگی باعث میشود که SVM در مواجهه با دادههای با ابعاد بالا و مرزهای غیرخطی عملکرد بسیار خوبی از خود نشان دهد. علاوه بر این، SVM با بهرهگیری از هستههای مختلف از جمله هسته چندجملهای قادر است که دادهها را
به فضای ویژگیهای با ابعاد بالاتر نگاشت کند تا جداسازی کلاسها
(الف) (ب)
شکل 3: دو نمونه از تصاویر مجموعه داده INBreast، (الف) خوشخیم و (ب) بدخیم.
بهصورت خطی ممکن شود. مزیت دیگر SVM در این است که تنها تعداد کمی از دادهها (بردارهای پشتیبان) در تعیین مرز تصمیمگیری نقش دارند که این موضوع منجر به تعمیمپذیری بالا و مقاومت در برابر بیشبرازش بهویژه در مجموعه دادههای کوچک یا نویزی میشود. به دلیل این ویژگیها، SVM بهطور گسترده در تحلیل تصاویر پزشکی، تشخیص بیماریها و سایر کاربردهای حساس استفاده میشود [24] تا [26].
در روش پیشنهادی هسته انتخابشده از نوع چندجملهای با درجه دو بوده که توانایی مدلسازی روابط غیرخطی بین ویژگیها را فراهم میکند. همچنین مقدار پارامتر جریمه خطا 
برابر 1 تنظیم شد. مدل SVM
با استفاده از اعتبارسنجی متقابل 10-لایه ارزیابی میشود تا از بروز بیشبرازش جلوگیری گردد و عملکرد تعمیمپذیر مدل سنجیده شود.
4- بحث و نتایج تحقیق
در این بخش، ابتدا مجموعه داده حاوی تصاویر سرطان پستان معرفی میشود. سپس نتایج پیادهسازی روش پیشنهادی بر روی این مجموعه داده ارائه میگردد و نهایتاً با سایر روشهای موجود مقایسه میشود. در تمامی آزمایشهای انجامشده از روش اعتبارسنجی متقابل ۱۰-لایه برای ارزیابی روش استفاده شده است. در این روش، دادهها به ۱۰ بخش تقسیم میشوند و در هر تکرار یک بخش به عنوان داده آزمون و بقیه به عنوان دادههای آموزش مورد استفاده قرار میگیرند. نهایتاً میانگین عملکرد در ده تکرار گزارش میشود.
4-1 مجموعه داده
مجموعه دادههای سنتی ماموگرافی اغلب شامل تصاویر آنالوگ هستند که دیجیتالی شدهاند و در نتیجه حاوی مصنوعات و نویزهای مختلفی هستند. برای رفع این مشکلات، این مطالعه از مجموعه داده INBreast استفاده میکند که مجموعه دیجیتالی از فایلهای تصویر .dcm همراه
با حاشیهنویسیهای .xml ارائهشده توسط متخصصان است. این حاشیهنویسیها نشاندهنده وجود یا عدم وجود تودهها در تصاویر هستند. اندازه تصاویر 
یا 
پیکسل است. دادهها از 117 بیمار، هر کدام با چندین تصویر پستان، نشأت گرفتهاند. شکل 3 نمونههایی از تصاویر از مجموعه داده را ارائه میدهد.
4-2 معیارهای ارزیابی
این مطالعه از چندین معیار رایج طبقهبندی تصویر پزشکی استفاده میکند: دقت 
، صحت، فراخوانی، نرخ مثبت کاذب 
، نرخ منفی کاذب 
، ضریب همبستگی ماتریس 
و معيار 
. این معیارها توسط (3) تا (8) تعریف میشوند و بر چهار معیار اساسی تکیه دارند: مثبتهای واقعی 
، مثبتهای کاذب 
، منفیهای کاذب 
و منفیهای واقعی 
جدول 2: ارزیابی روش پیشنهادی بر روی پایگاه داده INBreast
با معیارهای ارزیابی متفاوت.
معیار کلاس | AC | FNR | FPR | Precision | Recall | F-M |
خوشخیم | 916/0 | 084/0 | 027/0 | 947/0 | 916/0 | 931/0 |
بدخیم | 973/0 | 027/0 | 084/0 | 957/0 | 973/0 | 965/0 |
میانگین وزندار | 954/0 | 046/0 | 064/0 | 954/0 | 954/0 | 954/0 |
جدول 3: تأثیر مراحل مختلف روش پیشنهادی.
معیار کلاس | Accuracy | FNR | FPR | Precision | Recall | F-M |
روش پیشنهادی | 954/0 | 046/0 | 064/0 | 954/0 | 954/0 | 954/0 |
روش پیشنهادی بدون پیشپردازش | 940/0 | 060/0 | 079/0 | 940/0 | 940/0 | 940/0 |
روش پیشنهادی بدون انتخاب ویژگی | 946/0 | 054/0 | 071/0 | 946/0 | 946/0 | 946/0 |
(3)
(4)
(5)
(6)
(7)
(8)
تمام معیارهایی که در این مطالعه استفاده شدهاند، مقادیر بین 0 و 1 دارند. به طور کلی، مقادیر بالاتر برای این معیارها نشاندهنده عملکرد بهتر است، بهجز مقادیر نرخ مثبت کاذب و نرخ منفی کاذب که زمانی بهتر هستند که پایینتر باشند.
4-3 نتایج
در این بخش روش پیشنهادی بر روی پایگاه داده معرفیشده مورد ارزیابی قرار میگیرد و با سایر روشهای موجود مقایسه خواهد شد. در آزمایش اول، روش پیشنهادی روی مجموعه داده INBreast تست گردید و نتایج در جدول 2 آمده است. نتایج نشاندهنده عملکرد بالای روش پیشنهادی در تشخیص تومورهای خوشخیم یا بدخیم است.
در آزمایش بعدی، تأثیر مراحل مختلف روش پیشنهادی شامل پیشپردازش و انتخاب ویژگی مورد ارزیابی قرار گرفته است. برای بررسی هر مرحله، آن مرحله از روشهای پیشنهادی حذف شد و مراحل باقیمانده بر روی مجموعه داده آزمایش گردید. نتایج جدول 3 نشان داد که حذف هر مرحله باعث کاهش عملکرد روش پیشنهادی در تمامی معیارهای ارزیابی شد؛ بنابراین هر مرحله تأثیر مثبتی بر روش پیشنهادی داشت.
در آزمایش بعد ساختارهای عمیق مورد استفاده و ساختارهای متداول دیگر مانند 19VGG، GoogleNet و AlexNet به عنوان استخراجگر ویژگی مورد بررسی قرار گرفتند. نتایج این مقایسه در جدول 4 گزارش
شکل 4: تأثیر تعداد ویژگی انتخابشده در گام انتخاب ویژگی بر دقت روش.
جدول 4: استفاده از سایر شبکههای از پیش آموزش داده شده به عنوان استخراجگر ویژگی.
معیار شبکه | Accuracy | FNR | FPR | Precision | Recall | F-M |
50ResNet | 934/0 | 066/0 | 086/0 | 934/0 | 934/0 | 934/0 |
3InceptionV | 917/0 | 084/0 | 116/0 | 916/0 | 917/0 | 916/0 |
19VGG | 891/0 | 109/0 | 137/0 | 891/0 | 891/0 | 891/0 |
GoogleNet | 888/0 | 112/0 | 138/0 | 888/0 | 888/0 | 888/0 |
AlexNet | 887/0 | 112/0 | 129/0 | 887/0 | 887/0 | 887/0 |
جدول 5: مقایسه روش پیشنهادی با روشهای موجود.
معیار مرجع | سال انتشار | Accuracy |
روش پیشنهادی | --- | 954/0 |
Falconí و همکاران [18] | 2020 | 910/0 |
Muduli و همکاران [17] | 2022 | 913/0 |
شده است. برای انجام این مقایسه در روش پیشنهادی، در گام استخراج ویژگی از شبکه معرفیشده در جدول 4 استفاده شده و همچنین گام انتخاب ویژگی حذف گردیده و تمام ویژگیهای استخراجشده به مرحله دستهبندی وارد میشوند. همان طور که مشاهده میشود بهترین عملکرد به ترتیب متعلق به دو شبکه 50ResNet و 3InceptionV بوده است. بنابراین در گام استخراج ویژگی از ترکیب ویژگیهای استخراجشده از این دو شبکه استفاده شده است.
در گام انتخاب ویژگی از 2048 ویژگی که نمره بالاتری در الگوریتم MRMR کسب کرده بودند، استفاده شد. این مقدار با سعی و خطا به دست آمده است. در آزمایش بعدی دقت روش به ازای تعداد مختلف ویژگیها به دست آمده و نتایج در نمودار شکل 4 ترسیم شده است. همان طور که مشاهده میشود انتخاب 2048 ویژگی، مقدار مناسبی بوده است.
در ادامه روش پیشنهادی با دو روش دیگر بر روی مجموعه داده INBreast مقایسه شده است. این دو روش که شامل روش Falconí و همکاران [18] و روش Muduli و همکاران [17] هستند بر روی معیار دقت نتایج خود را گزارش کردهاند. نتایج مقایسه در جدول 5 گزارش شده که نشان میدهد بهترین عملکرد متعلق به روش پیشنهادی است.
5- نتیجهگیری
در این مقاله یک سیستم هوشمند برای دستهبندی تصاویر دارای تودههای سرطانی ماموگرافی به دو کلاس خوشخیم و بدخیم ارائه شد. روش ارائهشده شامل مراحل پیشپردازش، استخراج ویژگیها و طبقهبندی است. در ابتدا کیفیت تصویر با استفاده از روش CLAHE بهبود یافت و سپس ناحیه تودههای سرطانی با روش آستانهگذاری آتسو شناسایی شد. ویژگیهای کلیدی با دو مدل پیشآموزشدیده شبکههای عصبی پیچشی 50ResNet و 3InceptionV استخراج شدند. نهایتاً با کمک طبقهبند SVM، ویژگیها برای پیشبینی نوع تومورها تحلیل میشوند. این سیستم با دقت 4/95% نشان داد که میتواند یک روش مؤثر برای تشخیص و تسهیل تشخیص زودهنگام سرطان پستان باشد و خطای انسانی و چالشهای تفسیر تصاویر را کاهش دهد.
مراجع
[1] S. Łukasiewicz, M. Czeczelewski, A. Forma, J. Baj, R. Sitarz,
and A. Stanisławek, "Breast cancer-epidemiology, risk factors, classification, prognostic markers, and current treatment strategies-an updated review," Cancers, vol. 13, no. 17, pp. Article ID: 4287, 2021.
[2] C. Cruz-Ramos, et al., "Benign and malignant breast tumor classification in ultrasound and mammography images via fusion of deep learning and handcraft feature," Entropy, vol. 25, no. 7, Article ID: 991, 2023.
[3] K. Korhonen, S. Weinstein, E. McDonald, and E. Conant, "Strategies to increase cancer detection: review of true-positive and false-negative results at digital breast tomosynthesis screening," Radiographics, vol. 36, no. 7, pp. 1954-1965, 2016.
[4] E. Ekpo, M. Alakhras, and P. Brennan, "Errors in mammography cannot be solved through technology alone," Asian Pacific J. of Cancer Prevention, vol. 19, no. 2, pp. 291-301, 2018.
[5] L. Nicosia, et al., "History of mammography: analysis of breast imaging diagnostic achievements over the last century," Healthcare, vol. 11, no. 11, Article ID: 1596, 2023.
[6] F. Shahidi, S. Daud, H. Abas, N. Ahmad, and N. Maarop, "Breast cancer classification using deep learning approaches and histopathology image: a comparison study," IEEE Access, vol. 8, pp. 187531-187552, 2020.
[7] B. Bektaş, İ. Emre, E. Kartal, and S. Gulsecen, "Classification of mammography images by machine learning techniques," in Proc. 3rd Int. Conf. on Computer Science and Engineering, pp. 580-585, China, 21-22 Sept. 2018.
[8] J. Arevalo, F. González, R. Ramos-Pollán, J. Oliveira, and M. Lopez, "Convolutional neural networks for mammography mass lesion classification," in Proc. 37th Annual Int. Conf. of the IEEE Engineering in Medicine and Biology Society, pp. 797-800, Milan, Italy, 25-29 Aug. 2015.
[9] H. Li, L. Zhuang, D. Li, H. Zhao, and Y. Ma, "Benign and malignant classification of mammogram images based on deep learning," Biomedical Signal Processing and Control, vol. 51, pp. 347-354, May 2019.
[10] P. Hepsağ, S. Özel, and A. Yazıcı, "Using deep learning for mammography classification," in Proc. Int. Conf. on Computer Science and Engineering, pp. 418-423, Antalya, Turkey, 5-8 Oct. 2017.
[11] W. Salama and M. Aly, "Deep learning in mammography images segmentation and classification: automated CNN approach," Alexandria Engineering J., vol. 60, no. 5, pp. 4701-4709, Oct. 2021.
[12] U. Albalawi, S. Manimurugan, and R. Varatharajan, "Classification of breast cancer mammogram images using convolution neural network," Concurrency and Computation: Practice and Experience, vol. 34, no. 13, Article ID: e5803, 10 Jun. 2022.
[13] T. Mahmood, et al., "Breast lesions classifications of mammographic images using a deep convolutional neural network-based approach," Plos One, vol. 17, no. 1, Article ID: e0263126, 2022.
[14] S. Agnes, J. Anitha, S. Pandian, and J. Peter, "Classification of mammogram images using multiscale all nonvolutional neural network (MA-CNN)," J. of Medical Systems, vol. 44, no. 1, Article ID: 30, 2019.
[15] U. K. Sajid, R. A. Khan, S. M. Shah, and S. Arif, "Breast cancer classification using deep learned features boosted with handcrafted features," Biomedical Signal Processing and Control, vol. 86, Article ID: 105353, Sept. 2023.
[16] A. Joseph, M. Abdullahi, S. Junaidu, H. Ibrahim, and H. Chiroma, "Improved multi-classification of breast cancer histopathological images using handcrafted features and deep neural network (dense layer)," Intelligent Systems with Applications, vol. 14, Article ID: 200066, May 2022.
[17] D. Muduli, R. Dash, and B. Majhi, "Automated diagnosis of breast cancer using multi-modal datasets: a deep convolution neural network based approach," Biomedical. Signal Processing and Control, pt. B, vol. 71, Article ID: 102825, Jan. 2022.
[18] L. Falconí, M. Pérez, W. Aguilar, and A. Conci, "Transfer learning and fine tuning in mammogram bi-rads classification," in Proc. IEEE 33rd Int. Symp. on Computer-Based Medical Systems, pp. 475-480, Rochester, MN, USA, 28-30 Jul. 2020.
[19] C. Szegedy, S. Ioffe, V. Vanhoucke, and A. A. Alemi, "Inception-v4, inception-resnet and the impact of residual connections on learning," in Prov. 31st AAAI Conf. on Artificial Intelligence, pp. 4278-4284, San Francisco, CA, USA, 4-9 Feb. 2017.
[20] B. Jena, G. K. Nayak, and S. Saxena, "Convolutional neural network and its pretrained models for image classification and object detection: a survey," Concurrency and Computation: Practice and Experience, vol. 34, no. 6, Article ID: e6767, 10 Mar. 2022.
[21] A. Caroppo, A. Leone, and P. Siciliano, "Deep transfer learning approaches for bleeding detection in endoscopy images," Computerized Medical Imaging and Graphics, vol. 88, Article ID: 101852, Mar. 2021.
[22] C. Ding and H. Peng, "Minimum redundancy feature selection
from microarray gene expression data," J. of Bioinformatics and Computational Biology, vol. 3, no. 2, pp. 185-205, Apr. 2005.
[23] M. M. AlyanNezhadi, H. Dabbaghan, S. Moghani, and M. Forghani, "A painting artist recognition system based on image processing and hierarchical SVM," in Proc. 5th Conf. on Knowledge Based Engineering and Innovation, pp. 537-541, Tehran, Iran, 28 Feb.-1 Mar. 2019.
[24] P. S. Sundaram and N. Santhiyakumari, "An enhancement of computer aided approach for colon cancer detection in WCE images using ROI based color histogram and SVM2," J. of Medical Systems, vol. 43, no. 2, Article ID: 29, 2019.
[25] Z. Amiri, H. Hassanpour, and A. Beghdadi, "Abnormalities detection in wireless capsule endoscopy images using EM algorithm," the Visual Computer, vol. 39, no. 7, pp. 2999-3010, 2023.
[26] Z. Amiri, H. Hassanpour, and A. Beghdadi, "Combining deep features and hand-crafted features for abnormality detection in WCE images," Multimedia Tools and Applications, vol. 83, no. 2, pp. 5837-5870, 2024.
زهرا امیری مدرک کارشناسی خود را در رشته مهندسی فناوری اطلاعات در سال ۱۳۹۱ از دانشگاه صنعتی شاهرود و کارشناسی ارشد خود را در رشته مهندسی کامپیوتر (هوش مصنوعی) در سال ۱۳۹۳ از همان دانشگاه دریافت کرد. همچنین در سال ۱۴۰0 موفق به اخذ مدرک دکتری مهندسی کامپیوتر (هوش مصنوعی) از دانشگاه صنعتی شاهرود شد. وی در حال حاضر عضو هیأت علمی دانشگاه علم و فناوری مازندران است. حوزههای پژوهشی او شامل پردازش سیگنال، تصویر، ویدیو و کاربردهای آن است. او مقالات متعددی در این زمینهها منتشر کرده است
زهرا مرتضایی در سال 1392 مدرک کارشناسی، در سال 1396 مدرک کارشناسی ارشد و در سال 1400 مدرک دکترای مهندسی کامپیوتر را از دانشگاه صنعتی شاهرود دریافت کرده است. وی در حال حاضر استادیار گروه ریاضیات و علوم کامپیوتر در دانشگاه حکیم سبزواری است. علاقهمندیهای پژوهشی او شامل پردازش سیگنال، تصویر و ویدئو، بهبود کیفیت تصویر و بازشناسایی افراد است. او مقالات متعددی در این زمینهها منتشر کرده و در توسعهی روشهای پیشرفته برای بهبود تصویر و تحلیل ویدئو مشارکت داشته است.
[1] . Minimum Redundancy and Maximum