دانلود ترجمه مقاله کاربرد منطق فازی در تشخیص کامپیوتری سرطان سینه – مجله الزویر

فهرست مطالب:

چکیده
۱  مقدمه
۲  رسمی سازی با منطق فوزی
۳  درجات لوبولاریته و ریزلوبولاریته
۴  نتایج

بخشی از ترجمه:

 ۱ مقدمه

روشهای تشخیصی فعلی در ماموگرافی دیجیتالی عمدتاً بر اساس شبکه های عصبی و بدون بهره گیری از منطق فازی عمل می کنند. با این حال، شایان توجه است که این روشها از درجات بی نظمی ودایره وار بودن استفاده می کنند که شبیه به مفاهیم کلیدی در منطق فازی می باشد. از این درجات در شبکه های عصبی به عنوان متغیرهای ورودی استفاده شده است. در این مقاله، از شیوه منطق فازی برای طبقه بندی توده یافت شده در ماموگرام به صورت لخته یا ریزلخته استفاده می کنیم. در تشخیص سرطان سینه، ویژگیهای توده لخته و ریزلخته از اهمیت بسزایی برخوردار   می باشد.
روش تحلیل پیشنهاد شده بر اساس تعاریف پزشکی دو اصطلاح قبلی عمل می کند که توسط ACR ارائه شده است. بر طبق این لغت نامه، در صورت تناقض با حرکت نوسانی گفته می شود که توده دارای شکل لوبولی می باشد. شایان توجه است که این لغت نامه مفهوم لوبولی را بدون ارائه هیچ گونه نشانه ای دال بر اندازه یا تعداد حرکات نوسانی و بدون تعریف مفهوم حرکت نوسانی تعریف می کند. کلمات توصیفی در هر طبقه پیوستار وضعیت خوش خیم تا بدخیم را توصیف می کنند.توده لوبولی بیشتر اوقات خوش خیم می باشد، هرچند تعداد معدودی از موارد بدخیم نیز لوبولی خواهند بود. این موارد معمولاً از لحاظ پاتولوژیکی از هم تفکیک شده اند. به علاوه، توده ای با حاشیه ریزلخته در مقایسه با حاشیه نامشخص شانس کمتری بر بدخیم شدن دارد. توده ریزلخته در طبقه شک کم رو به متوسط ۴ BIRADS طبقه بندی خواهد شد و شانس بدخیم شدن آن ۲۰-۱۰ درصد خواهد بود.
در این مقاله، مفهوم حرکت نوسانی به تقابل بین حداقل فرورفتگی های مجاور اتلاق شده است. عمق این فرورفتگی ها بین کوچک تا بسیار بزرگ متغیر می باشد ( در بخش ۲ به تفصیل راجع به این موضوع توضیح داده شده است). بنابراین، در تحلیل الگوریتمی کامپیوتری رسمی، بدان معناست که اگر توده دارای حرکت نوسانی کوچک، متوسط / بزرگی باشد، آنگاه الگوریتم در گروه لوبولی باید طبقه بندی شود. اما در موقعیت زندگی واقعی این گونه نمی باشد، زیرا رادیولوژیست اندازه، تعداد حرکات،و عمق آنها را لحاظ می نماید. اما، لغت نامه ACR در تعریف رسمی لختگی، این ویژگیها را عنوان نمی کند. بنابراین احتمال آن می رود که رادیولوژیست های مختلف ادراکات گوناگونی راجع به اندازه و تعداد حرکات کافی برای طبقه بندی شکل توده در گروه لوبولی داشته باشند.

 ۴٫ نتایج
رادیولوژیست ها اغلب بسیاری از ویژگیهای وابسته به تشخیص سرطان سینه را به صورت ذهنی مشخص می کنند. در اینجا شماری از ویژگیهای مهم را با کمک واژه نامه عکسبرداری از سینه ACR به عبارتی گرهک های لوبولاسیون و ریزلوبولاسیون به صورت رسمی ارائه کرده ایم. این کار مبنایی برای سه مرحله بعد به شمار می رود.
۱٫ اعتباریابی وسیع رادیولوژیکی
۲٫ تشخیص خودکار لوبولاسیون/ ریزلوبولاسیون در عکس ماموگرافی
۳٫ رسمی سازی مشابه سایر جملات با کمک واژه نامه عکسبرداری از سینه
مطالعه انجام شده نشان می دهد که منطق فازی ابزاری موثر برای رسیدگی به این نوع مسئله پزشکی به شمار می رود. شایان توجه است که واژه نامه عکسبرداری از سینه ACR محتوی مفاهیمی است که در شیوه منطق فازی شبیه به تحلیل لوبولاسیون پیشنهاد شده می توان آن را تعریف نمود. اما، با توجه به کارهای قبلی در خصوص آهکی شدن سینه، ویژگیهای مختلف مطرح شده در واژه نامه با مسائل مختلفی روبرو هستند که به راه حل های مناسب نیاز دارند. تحلیل کلیه مفاهیم مندرج در واژه نامه ACR (تقریباً ۳۰) خارج از حیطه این مقاله بوده و به مقاله های مشابه زیادی نیاز دارد.
اما در تشخیص سرطان سینه ، هدف مذکور از اهمیت بسزایی برخوردار می باشد، زیرا همان گونه که شرح داده شده است، روشهای هوش مصنوعی سنتی وروشهای آماری تشخیص الگو معتبر نمی باشد.
شیوه منطق فازی پیشنهاد شده امکان پذیر و موثر می باشد زیرا این تیپ شیوه منطق فازی در بسیاری از بخشهای دیگر موفق بوده است. کاربرد آن در زمینه تشخیص سرطان سینه یکی از این بخشها می باشد. شیوه منطق فازی پیشنهاد شده، وقتی با موفقیت کاربرد منطق فازی در بسیاری از حوزه های دیگر در نظر گرفته شده باشد، راهی برای تشخیص موثر و زودهنگام سرطان سینه باز می نماید.

بخشی از مقاله انگلیسی:

۱٫ Introduction

Current diagnostic methods in digital mammography [1,9] are based primarily onneural networks without incorporating fuzzy logic. Nevertheless, it should bementioned that these methods use degrees of irregularity and circularity which aresimilar to key concepts in fuzzy logic. These degrees are used as inputs to neuralnetworks [10]. In this paper we apply a fuzzy logic approach for classifying a massfound in a mammogram as lobulated or microlobulated. The lobulated andmicrolobulated features of a mass are important in breast cancer diagnosis [8].The proposed analysis is based on the medical definitions of the previous twoterms, as given by the American College of Radiology (ACR) Breast ImagingLexicon. According to this lexicon, a mass has ‘lobular’ shape if ‘it has contourswith undulations’. Note that the lexicon defines the notion ‘lobular’ without anyindication of the size or number of undulations and without defining the concept of‘undulation’. The descriptive words in each category describe a continuum frombenign to malignant. A lobular mass is most often benign, although a fewmalignancies will be lobular. Lobular malignancies are usually well differentiatedpathologically. Furthermore, a mass with microlobulated margins has a lowerchance for malignancy than one with indistinct or spiculated margins. A microlobulatedmass would fit into the low-intermediate suspicion category c4 of BIRADS,and would have a 10–۲۰% chance of malignancy.In this paper the concept of undulation is defined as the contour between theminima of adjacent concavities. The depth of such concavities may vary from small to very large (as explained in greater detail in Section 2). Therefore, for a formalcomputer algorithmic analysis, means that if a mass has any one of ‘small:medium:large undulation’, then the algorithm should classify it as lobular. But this is notnecessarily what occurs in a real life situation because a radiologist may take intoaccount the size, the number of undulations, and how deep they are. However, theACR lexicon does not mention these attributes in the formal definition of lobulation.Therefore, it is likely that different radiologists may have different perceptionsabout the size and number of undulations sufficient to classify the shape of a massas lobular.The term ‘microlobulated margins’ means (according to the ACR lexicon) that‘the margins undulate with short cycles producing small undulations’. Again,different radiologists may have different perceptions of what ‘short cycles’ and‘small undulation’ mean. The ACR lexicon does not provide a unified frameworkfor defining these terms in a consistent and objective manner and again radiologistsare left making subjective and individual decisions regarding these characteristics.The following two hypothetical examples highlight the need for a unified frameworkfor defining terms related to the shape of masses in mammograms:1. Suppose that a radiologist has found one ‘big’ and two ‘small’ undulations in agiven mass. Does this mean that the mass is lobular or microlobular or do bothfeatures coexist? Also suppose that for the same mass a second radiologist hasdecided that there are two ‘big’ and one ‘small’ undulations. Again, we have thesame question: ‘Is this mass lobular or microlobular or do both featurescoexist?’. ۲٫ Suppose that in some study, five out of ten radiologists concluded that aparticular mass is lobular, but the other five came to the opposite conclusion.How should we train a computer system to detect a lobular mass by utilizingthis contradictory experience? Should we exclude these cases from the trainingset? However, similar cases may appear again in a real life situation. If weexclude these cases, any trained detection system will diagnose them arbitrarily,although, most properly it should not identify lobular features.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه