دوره 15، شماره 2 - ( 6-1397 )                   جلد 15 شماره 2 صفحات 45-54 | برگشت به فهرست نسخه ها


XML English Abstract Print


دانشگاه آزاد اسلامی اراک
چکیده:   (662 مشاهده)

سرطانها گروهی از بیماری‌ها هستند که به‌صورت رشد بی‌رویه و خارج از کنترل تعدادی از سلول‌ها، ایجاد می‌­شوند و حدود دویست نوع مختلف دارند. سرطان لوسمی (خون) یکی از انواع‌ این سرطان‌هاست. تشخیص سرطان خون در بیمارستان‌ها و مراکز درمانی با تهیه لام از بافت خون و قراردادن زیر میکروسکوپ و توسط یک‌ متخصص پاتولوژی صورت می‌گیرد. پاتولوژیست‌ها با توجه به شکل و تعداد گلبول‌های موجود در خون نوع بیماری را مشخص می‌کنند. هدف از این مقاله ارائه مدلی هوشمند با استفاده از الگوریتم FCM [1] به‌منظور خوشه‌بندی و شبکه عصبی برای انتخاب ویژگی‌هاست؛ همچنین در آن از الگوریتم ژنتیک در مرحله بهبود الگوهای تشخیصی استفاده شده است. با استفاده از این مدل به تشخیص زود‌هنگام سرطان  لوسمی حاد لنفوبلاست و سپس دسته‌بندی ALL[2] به سه زیر شاخه مورفولوژیکی (L1، L2 وL3) می‌توان اقدام کرد. در این پژوهش نمونه‌هایی از 38 بیمار سرطانی لوسمی حاد لنفوییدی تهیه شد. این مطالعه بر روی 68 تصویر میکروسکوپی و با در‌نظر‌گرفتن پانزده ویژگی هندسی و آماری انجام شد که نتیجه آن حاکی از حساسیت، ویژگی و دقت بالاتر برای ده ویژگی نسبت به سایر ویژگی‌ها بود. بر اساس ویژگی‌های استخراج‌شده، این روش با سه روش مشابه اخیر مقایسه شد. ارزیابی‌ها نشان داد که روش پیشنهادی به‌طور میانگین پارامترهای حساسیت، ویژگی و دقت را به میزان 15/85%، 17/98% و 53/96% به‌دست آورد.


                                                                                                                                                              
1 Fuzzy C-means Clustering          
2 Acute Lymphoblastic Leukemia   
متن کامل [PDF 2627 kb]   (244 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش تصویر
دریافت: ۱۳۹۶/۵/۱۲ | پذیرش: ۱۳۹۷/۲/۲۶ | انتشار: ۱۳۹۷/۶/۲۵ | انتشار الکترونیک: ۱۳۹۷/۶/۲۵

فهرست منابع
1. [1] Amin MM, Kermani S, Talebi A, Oqhli MG. Recognition of Acute Lymphoblastic Leukemia Cells in Microscopic Images Using K-Means Clustering and Support Vector Machine Classi-fier J Med Signals Sens. 2015 Jan-Mar;5(1):49-58. [PMID]
2. [2] Dan L. Longo, Anthony S. Fauci, Dennis L. Kasper, Stephen L. Hauser, Larry Jameson, Joseph Loscalzo. Harrison's Principles of Inter-nal Medicine, 18th Edition, Chapter 110. Malig-nancies of Lymphoid Cells. Clinical Features, Treatment, and Prognosis of Specific Lymphoid Malignancies. 2015.
3. [3] Collier, J.A.B Oxford Handbook of Clinical Specialties, Third Edition. Oxford. 1991; pp. 810. ISBN 0-19-262116-5.
4. [4] ACS : How Is Acute Lymphocytic Leukemia Classified?". 2016. [Available from:http:// www. Cancer. org/docroot/CRI/ content/ CR-I_2_4_3X_ How_ Is_ Acute_ Lymphocytic_ Leukemia_ Classified. asp? rnav= cri].
5. [5] Hoffbrand AV, Moss PAH and Pettit JE. "Essential Haematology", Blackwell, 5th ed., 2006.
6. [6] Messinger YH, Gaynon PS, Sposto R, van der Giessen J, Eckroth E, Malvar J, et al. Therapeutic Advances in Childhood Leukemia & Lymphoma (TACL) Consortium. "Bortezomib with chemo-therapy is highly active in advanced B-precursor acute lymphoblastic leukemia: Thera-peutic Advances in Childhood Leukemia & Lymphoma (TACL) Study". Blood. 2012; 120 (2): 285–90. [DOI:10.1182/blood-2012-04-418640] [PMID]
7. [7] Lambrou GI, Papadimitriou L, Chrousos GP, Vlahopoulos SA. "Glucocorticoid and pro-teasome inhibitor impact on the leukemic lymphoblast: multiple, diverse signals converg-ing on a few key downstream regulators". Mol Cell Endocrinol. 2012; 351 (2): 142–51. [DOI:10.1016/j.mce.2012.01.003] [PMID]
8. [8] Halim NH, Mashor MY, Hassan R. Automatic blasts counting for acute leukemia based on blood samples. Int J Res Rev Comput Sci 2:971, 2011.
9. [9] Heydari H, Souratgar A.A, Rashidi I, Malekpoor N, Parvizi A. Diagnosis of leukemia [a particular type of acute lymphoblastic leukemia by using artificial neural networks. Iranian Student Conference on Electrical Engineering, Tarbiat Modarres University. 24- 26 September 1389. [PMID] [PMCID]
10. [10] Luque-Baena RM, Urda D, Subirats JL, Franco L, Jerez JM. Application of genetic algorithms and constructive neural networks for the analysis of microarray cancer data. Theoretical Biology and Medical Modelling 2014, 11(Suppl 1):S7. [DOI:10.1186/1742-4682-11-S1-S7] [PMID] [PMCID]
11. [11] Soltanzadeh R, Rabbani H. Talebi A. Classification of Three Types of Red Blood Cells in Peripheral Blood Smear in Proc. IEEE Int. Conf. on Signal Processing, pp. 707 – 710, China, 2010. [DOI:10.1109/ICOSP.2010.5655754]
12. [12] Moradi P, Ahmadian S, Akhalghian F. An effective trust-based recommendation method using a novel graph clustering algorithm. Statis-tical Mechanics and its Applications. Volume 436, 15 October 2015, Pages 462–481
13. [13] ZohourParvaz F, Fatemizadeh E, Behnam H. Speed improvement in graph-cuts-based registra-tion for non-rigid image registration of brain magnetic resonance images. JSDP. 2017; 13 (4) :79-92 [DOI:10.18869/acadpub.jsdp.13.4.79]