تشخیص سرطان دهانه‌ی رحم در تصاویر پاپ اسمیر با استفاده از ویژگی‌های بافتی و هندسی

نوع مقاله : مقاله های پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه بیوالکتریک، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

2 استاد، گروه بیوالکتریک، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

3 استاد، گروه آسیب‌شناسی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

4 دانشجوی دکتری تخصصی، گروه بیوالکتریک، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

5 استادیار، گروه بیوالکتریک، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

چکیده

مقدمه: یکی از سرطان‌های شایع در بین زنان، سرطان دهانه‌ی رحم است که پزشک می‌تواند از یک سیستم کامپیوتری تشخیصی به منظور تشخیص سریع‌تر و راحت‌تر بهره‌مند شود. هدف از انجام این مطالعه، طبقه‌بندی سلول‌های دهانه‌ی رحم در تصاویر تست پاپ اسمیر به دو گروه طبیعی و غیر طبیعی بود.روش‌ها: در این مقاله، از پایگاه داده‌ی عمومی Herlev استفاده شد. این پایگاه داده، شامل 917 سلول می‌باشد. تعداد 35 ویژگی هندسی و 263 ویژگی بافتی نظیر ویژگی‌های ماتریس‌های هم‌رخداد (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 5، 10، 15 و 20 ویژگی برتر با استفاده از آزمون t انتخاب شد. ارزیابی مورد استفاده در این مقاله، به صورت 10 قسمتی بود و نتایج طبقه‌بندهای ماشین بردار پشتیبان، درخت تصمیم، K نزدیک‌ترین همسایگی و روش ترکیبی گزارش شد.یافته‌ها: الگوریتم طراحی شده در طبقه‌بندی ماشین بردار پشتیبان به دقت 5/97 درصد در طبقه‌بندی دو کلاس در ۲۰ ویژگی دست پیدا کرد.نتیجه‌گیری: ویژگی‌های هندسی از قدرت بسیار بالایی در تفکیک سلول‌های طبیعی و غیر طبیعی برخوردار هستند. به منظور افزایش دقت در تشخیص از ویژگی‌های بافتی هیستوگرام گرادیان چرخشی به عنوان مکمل ویژگی‌های هندسی استفاده کرد. در صورت بهینه کردن تعداد ویژگی‌ها و انتخاب درست مجموعه‌ی ویژگی، می‌توان میزان انحراف از معیار را 3-2 درصدکاهش داد و زمان پردازش را بهینه‌تر کرد.

کلیدواژه‌ها

عنوان مقاله [English]

Diagnosis of Cervical Cancer Using Texture and Morphological Features in Pap Smear Images

نویسندگان [English]

  • Hamid Hosseinabadi 1
  • Alireza Mehri-Dehnavi 2
  • Ardeshir Talebi 3
  • Mohammadreza Momenzadeh 4
  • Alireza Vard 5
1 MSc Student, Department of Bioelectric, School of Modern Technologies of Medical Sciences, Isfahan University of Medical Sciences, Isfahan, Iran
2 Professor, Department of Bioelectric, School of Modern Technologies of Medical Sciences, Isfahan University of Medical Sciences, Isfahan, Iran
3 Professor, Department of Pathology, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
4 PhD Student, Department of Bioelectric, School of Modern Technologies of Medical Sciences, Isfahan University of Medical Sciences, Isfahan, Iran
5 Assistant Professor, Department of Bioelectric, School of Modern Technologies of Medical Sciences, Isfahan University of Medical Sciences, Isfahan, Iran
چکیده [English]

Background: Cervical cancer is one of the most common cancers among women worldwide, which can be diagnosed more quickly via using digital systems. The purpose of this study was to classify the cells in Pap smear test images into two types of normal and abnormal by using image processing to diagnose cervical cancers.Methods: We used Herlev public database, which contained 917 cells. 35 geometric and 263 histologic features such as Gray Level Co-Occurrence Matrix (GLCM), Local Binary Pattern (LBP), and rotational gradient histogram were extracted from cell images. T test filter method was applied on the data set after extraction of geometrical and textural features. We used different classification methods such as support vector machine (SVM), decision tree (DT), k nearest neighbor (KNN) and ensemble classifiers.Findings: The best results were for SVM classifier as 97.5% accuracy in two-class classification with 20 features.Conclusion: Feature selection and feature extraction methods are very important for classify normal and abnormal cervical cell images. By optimizing and choosing the right methods, we can optimizing accuracy, and speed and error (2-3 percent).

کلیدواژه‌ها [English]

  • classification
  • Cervical cancer
  • Pap smear

مراجع

  1. Mishra GA, Pimple SA, Shastri SS. An overview of prevention and early detection of cervical cancers. Indian J Med Paediatr Oncol 2011; 32(3): 125-32.
  2. World Health Organization. WHO guidelines for screening and treatment of precancerous lesions for cervical cancer prevention. Geneva, Switzerlad: WHO; 2013.
  3. Harandi M. Real-time image enhancement and isolation of epithelial duct cells in Pap smear test [MSc Thesis]. Isfahan, Iran: Isfahan University of Medical Sciences; 2009. [In Persian].
  4. MDE-Lab. Pap-Smear (Dtu/Herlev) Databases and Related Studies [Online]. [cited 2020 Jul]; Available from: URL: http://mde-lab.aegean.gr/downloads
  5. Saeys Y, Inza I, Larranaga P. A review of feature selection techniques in bioinformatics. Bioinformatics 2007; 23(19): 2507-17.
  6. Su J, Xu X, He Y, Song J. Automatic Detection of Cervical Cancer Cells by a Two-Level Cascade Classification System. Anal Cell Pathol (Amst) 2016; 2016: 9535027.
  7. Barua L, Sharif M, Akter T. Analyzing cervical cancer by using an ensemble learning approach based on meta classifier. Int J Comput Appl 2019; 182(46): 29-33.
  8. Kashyap D, Somani A, Shekhar J, Bhan A, Dutta MK, Burget R, et al. Cervical cancer detection and classification using Independent Level sets and multi SVMs. Proceedings of the 39th International Conference on Telecommunications and Signal Processing (TSP); 2016 Jun 27-29; Vienna, Austria. p. 523-8.
  9. Marinakis Y, Dounias G, Jantzen J. Pap smear diagnosis using a hybrid intelligent scheme focusing on genetic algorithm based feature selection and nearest neighbor classification. Comput Biol Med 2009; 39(1): 69-78.
مجله دانشکده پزشکی اصفهان
دوره 38، شماره 583 - شماره پیاپی 583
مرداد و شهریور 1399
صفحه 489-493

فایل ها

سابقه مقاله

  • تاریخ دریافت: 15 دی 1398
  • تاریخ بازنگری: 12 آبان 1403
  • تاریخ پذیرش: 17 فروردین 1401

هم رسانی

ارجاع به این مقاله

آمار