نوع مقاله : مقاله کامل پژوهشی

نویسندگان

• مهسا عرب ¹
• علی فلاح ²
• سعید رشیدی ³
• مریم مهدی زاده دستجردی ¹
• نسرین احمدی نژاد ⁴

¹ گروه بیوالکتریک، دانشکده‌ی مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهران، ایران

² دانشکده مهندسی پزشکی دانشگاه صنعتی امیرکبیر تهران ایران

³ گروه مهندسی پزشکی، دانشکده‌ی علوم و فناوری‌های پزشکی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران

⁴ مرکز تصویربرداری پزشکی-رادیولوژی، پژوهشکده‌ی سرطان، مرکز تحقیقات رادیولوژی پیشرفته‌ی تشخیصی و مداخله‌ای بیمارستان امام خمینی،

چکیده

سرطان پستان رایج‌ترین نوع سرطان در زنان است. بیش از 80% ناهنجاری‌های پستان در مراحل اولیه خوش‌خیم هستند. بنابراین تشخیص زودهنگام مهم‌ترین چالش برای درمان به موقع است. یکی از روش‌های غیرتهاجمی و زمان واقعی برای غربال‌گری سرطان پستان، استفاده از سیگنال‌های فرکانس رادیویی اولتراسوند (US RF) است. این روش، علاوه بر تمایز بافتی و مقرون‌ به ‌صرفه‌بودن، در مقایسه با روش‌های دیگر، نیازی به تجهیزات تکمیلی ندارد. این پژوهش با هدف ارایه‌ی رویکردی هوشمند برای طبقه‌بندی ضایعات خوش‌خیم، مشکوک و بدخیم پستان براساس ویژگی‌های موثر استخراج‌شده از سری زمانی US RF صورت‌گرفته‌است. مجموعه داده‌ی US RF ثبت‌شده با عنوان USRFTS شامل 170 داده‌ از ضایعات مذکور است که از 88 بیمار به‌دست‌آمده‌است. روش پیشنهادی در این تحقیق شامل چهار بخش اصلی پیش‌پردازش، استخراج ویژگی، انتخاب ویژگی و طبقه‌بندی است. در مرحله‌ی پیش‌پردازش، پس از بازسازی تصاویر B-mode از سری‌های زمانی US RF ثبت‌شده، ناحیه‌ی دارای ضایعه (ROI) در هر تصویر B-mode توسط پرتوشناس به صورت دستی انتخاب شده‌است. در ادامه، ویژگی‌های مختلف حوزه‌های زمان و فرکانس در مرحله‌ی استخراج ویژگی از هر ROI استخراج و پس از آن، ویژگی‌های موثر با استفاده از روش کلونی مورچه انتخاب شدند. در نهایت، دادگان با استفاده از طبقه‌بندهای ماشین بردار پشتیبان (SVM)، K-نزدیک‌ترین همسایه (KNN)، درخت تصمیم (DT)، تجزیه‌ی تشخیص خطی (LDA) و همچنین روش طبقه‌بندی با مرجع (RCM) مورد ارزیابی قرار گرفتند. با توجه به نتایج، بیشینه‌ی صحت طبقه‌بندی دو کلاسه و سه کلاسه به ترتیب 95/94% و 33/93% ارزیابی شدند.

کلیدواژه‌ها

• فرکانس رادیویی
• اولتراسوند
• تصاویر B-Mode
• سری زمانی
• طبقه‌بندی
• یادگیری ماشین
• ضایعات پستان

موضوعات

• اولتراسوند در پزشکی / سونوگرافی / اکوگرافی / پژواک‌نگاری / صوت‌نگاری

عنوان مقاله [English]

Selection of Effective Features from Raw US RF Signals to Enhance Intelligent Breast Lesion Classification Using Machine Learning

نویسندگان [English]

• Mahsa Arab ¹
• Ali Fallah ²
• Saeid Rashidi ³
• Maryam Mehdizadeh Dastjerdi ¹
• Nasrin Ahmadinejad ⁴

¹ Bioelectric Group, Biomedical Engineering Department, Amirkabir University of Technology, Tehran, Iran

² Bioelectric, Biomedical Engineering Dept. Amirkabir Univ. f tech.

³ Biomedical Engineering Group, Medical Sciences and Technologies Department, Islamic Azad University, Science and Research Branch, Tehran, Iran

⁴ Radiology-Medical Imaging Center, Cancer Research Institute, Imam Khomeini Hospital Advanced Diagnostic and Interventional Radiology Research Center, Medical Sciences and Technologies Department, Tehran University of Medical Sciences, Tehran, Iran

چکیده [English]

Breast cancer stands as the most prevalent form of cancer among women, with over 80% of early-stage breast abnormalities being benign. Timely detection is therefore crucial for prompt intervention. Ultrasound Radio Frequency (US RF) signals represent a non-invasive, and real-time screening method for breast cancer, offering advantages in tissue differentiation and cost-effectiveness without requiring additional equipment. This research aims to present an intelligent approach for the classification of benign, suspicious, and malignant breast lesions based on effective features extracted from the time series. The dataset, registered as USRFTS, comprises 170 instances recorded from 88 patients. The proposed methodology encompasses four key phases: pre-processing, feature extraction, feature selection, and classification. In the pre-processing phase, B-mode images are reconstructed from US RF time series, and a radiologist manually selects the Region of Interest (ROI) in each image. Subsequently, diverse features in the time and frequency domains are extracted from each ROI during the feature extraction stage. The ant colony method is employed for the selection of impactful features. The dataset is then subjected to evaluation using classifiers such as Support Vector Machine (SVM), K-Nearest Neighbor (KNN), Decision Tree (DT), Linear Discriminant Analysis (LDA), and a reference classification method (RCM). The results demonstrate a maximum classification accuracy of 94.95% for two classes and 93.33% for three classes

کلیدواژه‌ها [English]

• Radio Frequency
• Ultrasound
• B-Mode Images
• Time Series
• Classification
• Machine Learning
• Breast Lesions