تشخیص سرطان سینه بر اساس ویژگی های اطراف توده و با استفاده از ماشین بردار SVM

این پروپوزال دارای مقاله بیس میباشد که قابل مشاهده و دانلود می باشد:

 فهرست مطالب پروپوزال تشخیص سرطان سینه بر اساس ویژگی های اطراف توده و با استفاده از ماشین بردار SVM

1. بیان مساله اساسی تحقیق
2. اهمیت و ضرورت انجام تحقیق
3. مرور ادبیات و سوابق مربوطه
4. جنبه جدید بودن و نوآوری در تحقیق
5. اهداف مشخص تحقیق
6. سؤالات تحقیق
7. فرضیه ‏های تحقیق
8. روش شناسی تحقیق
9. متغیرهای مورد بررسی در قالب یک مدل مفهومی
10. شرح کامل روش (میدانی، کتابخانه‏ای) و ابزار
11. جامعه آماری، روش نمونه‏ گیری و حجم نمونه
12. روش‌ها و ابزار تجزیه و تحلیل داده ‏ها
13. مراجع

بیان مساله

امروزه، سرطان پستان  یک بیماری شایع در بین زنان است و میزان مرگ و میر مربوط به این سرطان بالاتر از سایر موارد است. مطالعات کلینیکی نشان داده است که تشخیص سرطان سینه در مراحل اولیه  و درمان به موقع به میزان زیادی نرخ بقا بیماران را افزایش میدهد. اما، وجود توده سرطانی در مراحل اولیه رشد، با هیچ نشانه ای همراه نیست و این امر، تشخیص زودهنگام   بیماری را مشکل مینماید. از این رو، تشخیص زودهنگام تومورهای پستان یک امر مهم در شاخه پزشکی محسوب می شود.

سونوگرافی یک ابزار تصویربرداری  کم هزینه، راحت ، موثر و بدون اشعه است که امروزه در تشخیص توده های سرطانی کاربرد وسیعی دارد. این روش در پیش پردازش تصویر، بخشبندی تصویر، استخراج و انتخاب ویژگی و دسته بندی نوع تومور و دقت تشخیص بهتر از سایر روش ها عمل میکند.

بر طبق مطالعات صورت گرفته، ویژگی های مورفولوژیک یک روش موثر در تشخیص توده های خوش خیم از بدخیم است.

به این معنی که، حاشیه و اطراف یک تومور خوش خیم نسبتا صاف و مشخص هستند. در حالی که تومورهای بدخیم، اطراف نامنظم دارند. در تصاویر سونوگرافی، توده های سرطانی در پستان با توجه به شکل، جهت، حاشیه و ویژگی های اطراف شناخته می شوند. (Liu و همکاران، ۲۰۲۰)

در این تحقیق؛ یک روش استخراج ویژگی، که ترکیبی از ویژگی های اطراف تومور و ویژگی های مورفولوژیک تومور است،  برای تصاویر سونوگرافی ارائه شده است.  به این منظور،  ویژگیها کمی را بر اساس هیستوگرام بافت و فاصله طراحی و تغییرات مورفولوژیکی تومورهای پستان را از نقطه نظر محلی بررسی کردیم تا با دقت بیشتری تومورهای بدخیم پستان را تشخیص دهیم. این تحقیق ، برای شناسایی تومورها، از دسته بندی SVM استفاده میکند و  ویژگیهای مختلفی به عنوان ورودی   SVM  در نظر گرفته می شود.

برخی از مراجع پروپوزال

Ahmad, J., Akram, S., Jaffar, A., Rashid, M., & Bhatti, S. M. (2023). Breast Cancer Detection Using Deep Learning: An Investigation Using the DDSM Dataset and a Customized AlexNet and Support Vector Machine. IEEE Access.

Peng, L., & Leng, Q. (2024, August). Research on the Application of Support Vector Machine Algorithm Model with Multi-Modal Data Fusion in Breast Cancer Ultrasound Image Classification. In 2024 IEEE 2nd International Conference on Sensors, Electronics and Computer Engineering (ICSECE) (pp. 679-683). IEEE.

Wajeed, M. A., Tiwari, S., Gupta, R., Ahmad, A. J., Agarwal, S., Jamal, S. S., & Hinga, S. K. (2023). A Breast Cancer Image Classification Algorithm with 2c Multiclass Support Vector Machine. Journal of Healthcare Engineering, 2023(1), 3875525.