Ασαφής και εξελικτική υπολογιστική στην επεξεργασία εικόνων μαστογραφίας

Abstract

Ένας καλά μελετημένος τομέας είναι η ανάπτυξη συστημάτων διάγνωσης με τη βοήθεια υπολογιστή για την ταξινόμηση καλοήθων-κακοήθων παθολογιών που ανιχνεύονται στη μαστογραφία. Η φύση του παρεγχύματος του μαστού δημιουργεί σημαντικές αβεβαιότητες όσον αφορά το σχήμα και τη γεωμετρία της παθολογίας, οι οποίες μπορεί να οδηγήσουν σε λανθασμένη διάγνωση. Οι ίδιες αβεβαιότητες προσδίδουν στις μαστογραφίες τις ασαφείς ιδιότητές τους που είναι απαραίτητες ώστε να εφαρμοστεί η ασαφής επεξεργασία. Η θεωρία των ασαφών συνόλων λαμβάνει υπόψη την αβεβαιότητα με τη μορφή συναρτήσεων συμμετοχής, οπότε τα ασαφή σύνολα μπορούν να χειριστούν ελλιπή δεδομένα, εάν αυτή η έλλειψη προέρχεται από ασάφεια και όχι από τυχαιότητα. Η βελτίωση της αντίθεσης με ασάφεια έχει την ικανότητα να βελτιώσει την ανίχνευση ακμών και κατά συνέπεια την ποιότητα των σχετικών χαρακτηριστικών της ταξινόμησης των εικόνων. Στην παρούσα εργασία προτείνονται κλασικά ασαφή σύνολα (λεκτικο-διαμορφωτές και ασαφείς συναρτήσεις βελτίωσης), προηγμένα ασαφή σύνολα (διαισθητικά, πυθαγόρεια και φερμάτεια ασαφή σύνολα), γενετικοί αλγόριθμοι βελτιστοποίησης, και τεχνικές σύντηξης εικόνων. Τα προηγμένα ασαφή σύνολα παρέχουν καλύτερες πληροφορίες όσον αφορά την αβεβαιότητα την οποία έχει η συνάρτηση συμμετοχής. Τα αποτελέσματα έδειξαν ότι οι διαισθητική μέθοδος είχε συνολικά τις καλύτερες επιδόσεις, όμως οι περισσότερες μέθοδοι μπορούν να χρησιμοποιηθούν αποτελεσματικά ανάλογα με το πρόβλημα που πρέπει να επιλυθεί. Στη συνέχεια τα κλασικά, προηγμένα ασαφή σύνολα και οι τεχνικές σύντηξης για τη ενίσχυση της αντίθεσης των εικόνων κατωφλιώνονται με τη χρήση τριών διαφορετικών μεθόδων κατωφλίωσης (ολική, Otsu και ασαφών συνόλων τύπου -2) και ταξινομούνται με τρεις τρόπους (K-means, FCM και ANFIS) για την ταξινόμηση των μαστογραφικών μαζών. Πραγματοποιήθηκε εκτίμηση σε εξήντα τρείς συνδυασμούς που εξήλθαν από ενενήντα επτά μαστογραφικές μάζες (εξήντα πέντε καλοήθεις και τριάντα δύο κακοήθεις). Η επίδοση των εξήντα τριών συνδυασμών εκτιμήθηκε με βάση την ακρίβεια, την τιμή F1 και την περιοχή κάτω από την καμπύλη ROC (AUC). Η ακρίβεια της βελτίωσης του LH-XWW με τη χρήση κατωφλίου Otsu και του ταξινομητή FCM ήταν η καλύτερη με 95,17%, τιμή F1 89,42% και AUC 0,91 Γενικότερα, ο FCM ήταν ο καλύτερος ταξινομητής για τη διάγνωση μαζών των μαστογραφιών.