fa استخراج ویژگی‌های مناسب جهت تشخیص بیماری سرطان پستان با استفاده از تحلیل دینامیک تصاویر ترموگرافی هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="color:#000000;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><strong>مقدمه:</strong> ترموگرافی یک روش تصویربرداری غیرتهاجمی است که می&shy;تواند جهت تشخیص سرطان پستان مورد استفاده قرار گیرد. در این مطالعه روشی جهت استخراج ویژگی‌های مناسب در تصاویر دینامیک ترموگرافی سینه ارائه شد. ویژگی‌های استخراج شده می‌توانند جهت طبقه‌بندی تصاویر ترموگرافی به سرطانی و سالم کمک کننده باشند.<br> <strong>روش:</strong> در این مطالعه توصیفی-تحلیلی&nbsp;تصاویر از پایگاه ‌داده پروژه آنلاین <span dir="LTR">IC/UFF</span> استخراج شد. تعداد افراد مورد بررسی 196، شامل 41 مورد سرطانی و 155 مورد سالم بودند. هر فرد دارای 10 تصویر ترموگرافی که جمعاً تعداد تصاویر آنالیز شده 1960 تصویر ترموگرافی بود. این تصاویر با استفاده از دوربین <span dir="LTR">FLIR ThermaCam S45</span> ضبط شد. مدل پیشنهادی بر اساس سلسله تصاویر ترموگرافی پستان یک فرد جهت استخراج 8 ویژگی مناسب ارائه ‌شد. ویژگی‌های استخراج ‌شده شامل میانگین، انحراف معیار، آنتروپی، کورتوسیس، همگنی، انرژی، اسکوئنس و واریانس است.<br> <strong>نتایج</strong><strong>:</strong> عملکرد ویژگی‌های استخراج‌شده، توسط طبقه‌بندکننده‌های شامل درخت تصمیم، ماشین بردار پشتیبان، تجزیه‌وتحلیل متقارن درجه دوم و الگوریتم <span dir="LTR">K</span> -نزدیک‌ترین همسایگی با استفاده از <span dir="LTR">cross validation</span> ده‌گانه مورد ارزیابی قرار گرفتند. مقادیر دقت و حساسیت به ترتیب، بر اساس الگوریتم‌های درخت تصمیم 99%، 99/33% و ماشین بردار پشتیبان 98/46%، 95/12% و تجزیه‌وتحلیل متقارن درجه دوم 100%، 100‌% و الگوریتم <span dir="LTR">K</span> -نزدیک‌ترین همسایگی 99%، 97/56% به‌دست ‌آمد.<br> <strong>نتیجه‌گیری:</strong> نتایج نشان داد که از میان ویژگی‌های آماری مرتبه اول، میانگین تفاوت، چولگی، آنتروپی و انحراف استاندارد ویژگی بسیار مؤثری هستند که بیشتر به تشخیص عدم تقارن کمک می‌کنند. ویژگی‌های استخراج‌شده با استفاده از مدل پیشنهادی می‌توانند در طبقه‌بندی افراد سالم و سرطانی در تصاویر حرارتی بسیار کمک ‌کننده باشند.<br> &nbsp;<br> <strong>کلید واژه‌ها:</strong> مدل دینامیک، ترموگرافی، سرطان پستان، استخراج ویژگی</span></span></span><span dir="LTR"></span></div> <div style="text-align: justify;"><span style="font-family:Tahoma;"><strong>Introduction:</strong> Thermography is a non-invasive imaging technique that can be used to diagnose breast cancer. In this study, a method was presented for the extraction of suitable features in dynamic thermographic images of breast. The extracted features can help classify thermographic images as cancerous or healthy.<br> <strong>Method:</strong> In this descriptive-analytical study, the images were taken from the IC/UFF database. A total of 196 people, including 41 cancer patients and 155 healthy individuals were investigated. Each person had 10 thermographic images and in total, 1960 images were analyzed. The images were captured using the FLIR ThermaCam S45 camera. The proposed model was presented based on a series of breast thermographic images of an individual to extract 8 suitable features.&nbsp; The extracted features included mean, standard deviation, entropy, kurtosis, homogeneity, energy, skewness, and variance.<br> <strong>Results:</strong> The extracted features were evaluated by the classifiers including the decision tree, support vector machine, quadratic symmetric analysis, and K-nearest neighbor algorithm using the ten-fold cross validation. The accuracy and sensitivity were 99% and 99.33% for decision tree algorithm, 98.46% and 95.12% for support vector machine algorithm, 100% and 100%, and 99% and 97.56% for K-nearest neighbor algorithm.<br> <strong>Conclusion:</strong> The results of this study showed that among the first-order statistical features, mean difference, skewness, entropy, and standard deviation are the most effective features which help to detect asymmetry. The features extracted by the proposed model can help classify the individuals into healthy or cancer-affected by thermal images.</span></div> مدل دینامیک, ترموگرافی, سرطان پستان, استخراج ویژگی Dynamic Model, Thermography, Breast Cancer, Feature Extraction 91 101 http://jhbmi.ir/browse.php?a_code=A-10-505-2&slc_lang=fa&sid=1 Hossein Ghayoumi Zadeh حسین قیومی زاده h.ghayoumizadeh@vru.ac.ir 10031947532846005922 10031947532846005922 No Ph.D. in Biomedical Engineering, Assistant Professor, Electrical Engineering Dept., Faculty of Engineering, Vali-e-Asr University of Rafsanjan, Rafsanjan, Iran دکتری مهندسی پزشکی، استادیار، گروه مهندسی برق، دانشگاه ولی‌عصر (عج) رفسنجان، رفسنجان، ایران Ali Fayazi علی فیاضی a.fayazi@vru.ac.ir 10031947532846005923 10031947532846005923 Yes Ph.D. in Control Engineering, Assistant Professor, Electrical Engineering Dept., Faculty of Engineering, Vali-e-Asr University of Rafsanjan, Rafsanjan, Iran دکتری تخصصی کنترل، استادیار، گروه مهندسی برق، دانشگاه ولی‌عصر (عج) رفسنجان، رفسنجان، ایران Bita Binazir بیتا بی نظیر bita.binazir@yahoo.com 10031947532846005924 10031947532846005924 No M.Sc. in Electrical Engineering, Electrical Engineering Dept., University of Zanjan, Zanjan, Iran کارشناسی ارشد برق، گروه مهندسی برق، دانشگاه زنجان، زنجان، ایران Mostafa Yargholi مصطفی یارقلی yargholi.mostafa@yahoo.com 10031947532846005925 10031947532846005925 No Ph.D. in Electrical Engineering, Associate Professor, Electrical Engineering Dept., University of Zanjan, Zanjan, Iran دکتری مهندسی برق، دانشیار، گروه مهندسی برق، دانشگاه زنجان، زنجان، ایران