پروژه آموزشی شناسایی تصاویر ماموگرافی سرطان پستان با شبکه عصبی

توضیحات

پروژه شناسایی تصاویر ماموگرافی سرطان پستان با شبکه عصبی در متلب:

پروژه شناسایی تصاویر ماموگرافی سرطان پستان با شبکه عصبی یکی از انواع شبکه­ عصبی پیشرفته می باشد.

در این پروژه به شناسایی تصاویر ماموگرافی دارای سرطان پستان از تصاویر بدون سرطان خواهیم پرداخت. اینکار بکمک شبکه عصبی انجام خواهد شد که در ادامه توضیحات آن آمده است. این پروژه هم شامل 3 بخش خواهد بود که در قالب 3 تا m فایل ارائه خواهند شد:

Step1_ROI.m

Step2_ Features.m

Step3_ANFIS.m

هر کدام از بخش ها وظایفی خواهند داشت که به شرح مختصری از  آنها خواهیم پرداخت. از طرفی فولدرهایall-mias که شامل دیتابیس تصاویر ماموگرافی است، fuzzy toolbox که حاوی تول باکس انفیس، processes که شامل توابع پردازش های تصویر روی ROI هست و فولدر ROI که تصاویر پردازش شده را در خود ذخیره میکند، در پوشه اصلی قرار دارند.

1- استخراج ناحیه ROI و پیش پردازش

دادگان استفاده شده در اين پروژه همانطور که شما فرموده بودید MIAS MiniMammographic Database مي باشد كه از آدرس زير استخراج شده است. اين دادگان توسط يك سازمان تحقيقاتي در برتانيا، از طريق ديجيتالي كردن فيلم هاي راديولوژي بدست آمده است. دادگان شامل 322 تصوير از افراد مختلف است كه نظر كارشناسي يك متخصص نيز براي هركدام تهيه شده است. تصاویر طبق فایل Info که ضمیمه عکس­ها هستند به دو دسته نرمال و غیر نرمال تقسیم می­شوند. تصاوير در ابعاد 1024در 1024  و به صورت 8 بيتي ذخيره شده اند. در ابتدا باید ناحیه مورد نظر، از تصویر که حاوی اطلاعات اصلی است از بقیه قسمت­ها جدا شود و سپس مورد پیش پردازش قرار خواهند گرفت. اطلاعات اضافي از تصاوير راديولوژي  همچون نام بيمار، نوشته ها و بافت هاي غير لازم حذف خواهد شد .

• استخراج ويژگي از دیتا بیس

براي انجام پروژه استخراج ويژگي از تصاوير ماموگرافي، از تابع GLCM استفاده خواهد شد. کل ویژگی­های استخراج شده در این روش 23 تا می­باشد که ویژگی های بافتی تصویر را بیان می­کنند.  ما از همین ویژگی ها برای نوشتن رول­های انفیس استفاده خواهیم کرد.( البته در صورت نیاز می­توان ویژگی­های دیگری را هم به این مجموعه اضافه نمود و تاثیر آنرا بررسی کرد) این ویژگی ها شامل موارد زیر هستند:

% Autocorrelation

% Contrast

% Correlation

% Correlation

% Cluster Prominence

% Cluster Shade

% Dissimilarity

% Energy

% Entropy

% Homogeneity

% Homogeneity

% Maximum probability

% Sum of sqaures: Variance

% Sum average

% Sum variance

% Sum entropy

% Difference variance

% Difference entropy

% Information measure of correlation1

% Informaiton measure of correlation2

% Inverse difference (INV)

% Inverse difference normalized (INN)

% Inverse difference moment normalized

3- طبقه بندي با ANFIS

ANFIS یک سیستم استنتاج عصبی-فازی سازگار (که به صورت ANFIS خلاصه شده است) نوعی شبکه عصبی مصنوعی است که براساس سیستم فازی تاکاگی-سوگنو  می­باشد. این شیوه در اوایل ۱۹۹۰ ایجاد شده است. از آنجایی که این سیستم، شبکه های عصبی و مفاهیم منطق فازی را یکی می کند، می تواند از امکانات هر دو آنها در یک قاب بهره برد. سیستم سازگار آن مطابق با مجموعه قوانین فازی اگر-آنگاه است که قابلیت یادگیری توابع تقریباً غیرخطی را دارد. از این رو، ANFIS به عنوان یک تخمین­زن جنرال مطرح شده است. در روش ما نیز باید رول­ها مشخص شوند و پس به یادگیری و تست سیستم بپردازیم. اگر در اجرای کد این قسمت با درخواست زیر مواجه شدید عدد “1” را بزنید و بعد اینتر کنید تا کد اجرا شود.

Select a compiler:

[1] Microsoft Visual C++ 2012 in C:Program Files (x86)Microsoft Visual Studio 11.0

 [0] None

 Compiler:

در زیر این قوانین را برای 5 نمونه از تصاویر دیتا بیس مطرح شده دیده می­شود…

 

نکات قابل ذکر:

• پروژه شناسایی تصاویر ماموگرافی سرطان پستان با شبکه عصبی توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
• فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.

سفارش پروژه مشابه

درصورتیکه این پروژه دقیقا مطابق خواسته شما نمی باشد، با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.

سفارش پروژه متلب