دوره 21، شماره 1 - ( فروردین 1402 )
جلد 21 شماره 1 صفحات 57-47 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Hafezi Haghani S, Zabihirad J, Ghasembandi M, Farokhi S. A NEW METHOD BASED ON ARTIFICIAL INTELLIGENCE IN THE DIAGNOSIS OF CERVICAL LESIONS USING A COMBINATION OF MODERATE BINARY PATTERNS DEVELOPED LOCALLY AND SUPPORT VECTOR MACHINE. Nursing and Midwifery Journal 2023; 21 (1) :47-57
URL: http://unmf.umsu.ac.ir/article-1-4759-fa.html
URL: http://unmf.umsu.ac.ir/article-1-4759-fa.html
حافظی حقانی سهیلا، ذبیحی راد جابر، قاسم‌بندی محمد، فرخی سجاد. روش جدید مبتنی بر هوش مصنوعی در تشخیص ضایعات دهانه رحم با استفاده از تلفیق روش متوسط الگوهای دودویی محلی توسعه‌یافته مستحکم و ماشین بردار پشتیبان. مجله پرستاری و مامایی. 1402; 21 (1) :47-57
سهیلا حافظی حقانی1 
، جابر ذبیحی راد2 ، محمد قاسم‌بندی* 3، سجاد فرخی4
، جابر ذبیحی راد2 ، محمد قاسم‌بندی* 3، سجاد فرخی4
1- کارشناسی ارشد کامپیوتر، دانشکده مهندسی کامپیوتر، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
2- مربی گروه تکنولوژی اتاق عمل، دانشکده پرستاری و مامایی، دانشگاه علوم پزشکی جندی شاپور اهواز، اهواز، ایران
3- مربی گروه اتاق عمل، مرکز تحقیقات سلامت جامعه، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران (نویسنده مسئول) ،m.ghasembandi@yahoo.com
4- استادیار، دانشکده مهندسی کامپیوتر، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
2- مربی گروه تکنولوژی اتاق عمل، دانشکده پرستاری و مامایی، دانشگاه علوم پزشکی جندی شاپور اهواز، اهواز، ایران
3- مربی گروه اتاق عمل، مرکز تحقیقات سلامت جامعه، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران (نویسنده مسئول) ،
4- استادیار، دانشکده مهندسی کامپیوتر، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
چکیده: (1590 مشاهده)
پیش‌زمینه و هدف: سرطان مهاجم دهانه رحم دومین سرطان شایع در بین زنان سراسر جهان است. روش‌های بسیاری بر مبنای هوش مصنوعی برای تشخیص دقیق نرمال بودن یا سرطانی بودن سلول‌ها و کمک به فرد متخصص در تشخیص هر چه بهتر و سریع‌تر سرطان ارائه شده است. هدف از انجام پژوهش حاضر، ارائه یک روش جدید و کارآمد در تشخیص سلول‌های طبیعی از غیرطبیعی بود.
مواد و روش‌ها: این یک مطالعه توصیفی بود. برای ایجاد پایگاه داده، 26۰۰ تصویر از ۱۵۰ لام سیتولوژی تهیه گردید. تصاویر توسط متخصصین مورد ارزیابی، شناسایی و طبقه‌بندی قرار گرفتند. جهت ارزیابی روش پیشنهادی در پایگاه داده تهیه‌شده، از مجموع 2600 تصویر تهیه‌شده 1300 تصویر برای آموزش سیستم و 1300 تصویر برای آزمون در نظر گرفته شد. در این پژوهش جهت ارزیابی روش پیشنهادی و مقایسه با سایر روش‌ها، از نرم‌افزار MATLAB نسخه R2014b استفاده شده است.
یافته‌ها: جهت استخراج ویژگی‌های سلول‌ها در هر سه مرحله از استخراج گرهای مورفولوژیکی و برای طبقه‌بندی به ترتیب از ماشین بردار پشتیبان، رگرسیون لجستیک و طبقه‌بندی 5/4C استفاده شد. دقت روش پیشنهادی در تشخیص سلول‌ها دهانه رحم در دو گروه نرمال و غیرنرمال 23/98 درصد بود که نسبت به سایر روش‌ها بیشتر بوده و همچنین نسبت مثبـت کـاذب با عدد 92/0 درصد و منفـی کـاذب 85/0 درصد نسبت به سایر روش‌ها کمتر است.
بحث و نتیجه‌گیری: روش پیشنهادی می‌تواند با تشخیص زودهنگام سرطان با دقت و حساسیت بالا و نتایج کاذب کمتر، کمک چشمگیری به تشخیص در حیطه پزشکی نماید و در بسیاری از موارد در درمان به‌موقع بیماران و جلوگیری از مرگ‌و‌میر آن‌ها تأثیر بسزایی داشته باشد.
مواد و روش‌ها: این یک مطالعه توصیفی بود. برای ایجاد پایگاه داده، 26۰۰ تصویر از ۱۵۰ لام سیتولوژی تهیه گردید. تصاویر توسط متخصصین مورد ارزیابی، شناسایی و طبقه‌بندی قرار گرفتند. جهت ارزیابی روش پیشنهادی در پایگاه داده تهیه‌شده، از مجموع 2600 تصویر تهیه‌شده 1300 تصویر برای آموزش سیستم و 1300 تصویر برای آزمون در نظر گرفته شد. در این پژوهش جهت ارزیابی روش پیشنهادی و مقایسه با سایر روش‌ها، از نرم‌افزار MATLAB نسخه R2014b استفاده شده است.
یافته‌ها: جهت استخراج ویژگی‌های سلول‌ها در هر سه مرحله از استخراج گرهای مورفولوژیکی و برای طبقه‌بندی به ترتیب از ماشین بردار پشتیبان، رگرسیون لجستیک و طبقه‌بندی 5/4C استفاده شد. دقت روش پیشنهادی در تشخیص سلول‌ها دهانه رحم در دو گروه نرمال و غیرنرمال 23/98 درصد بود که نسبت به سایر روش‌ها بیشتر بوده و همچنین نسبت مثبـت کـاذب با عدد 92/0 درصد و منفـی کـاذب 85/0 درصد نسبت به سایر روش‌ها کمتر است.
بحث و نتیجه‌گیری: روش پیشنهادی می‌تواند با تشخیص زودهنگام سرطان با دقت و حساسیت بالا و نتایج کاذب کمتر، کمک چشمگیری به تشخیص در حیطه پزشکی نماید و در بسیاری از موارد در درمان به‌موقع بیماران و جلوگیری از مرگ‌و‌میر آن‌ها تأثیر بسزایی داشته باشد.
فهرست منابع
1. Ito Y, Miyoshi A, Ueda Y, Tanaka Y, Nakae R, Morimoto A, et al. An artificial intelligence assisted diagnostic system improves the accuracy of image diagnosis of uterine cervical lesions. Mol Clin Oncol 2022;16(2):1-6. [DOI:10.3892/mco.2021.2460] [PMID] [PMCID]
2. Xu D, Zhu X, Ren J, Huang S, Xiao Z, Jiang H, et al. Quantitative proteomic analysis of cervical cancer based on TMT-labeled quantitative proteomics. J Proteomics.2022;252:104453. [DOI:10.1016/j.jprot.2021.104453] [PMID]
3. Gupta R, Sarwar A, Sharma V. Screening of cervical cancer by artificial intelligence-based analysis of digitized papanicolaou-smear images. Int J Contemp Med Res 2017;4(5):2454-7379. [Google Scholar]
4. Sung H, Ferlay J, Siegel RL, Laversanne M, Soerjomataram I, Jemal A, Bray F. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: Cancer J Clin.2021;71(3)209-49. [DOI:10.3322/caac.21660] [PMID]
5. Wang C-W, Liou Y-A, Lin Y-J, Chang C-C, Chu P-H, Lee Y-C, et al. Artificial intelligence-assisted fast screening cervical high grade squamous intraepithelial lesion and squamous cell carcinoma diagnosis and treatment planning. Sci Rep 2021;11(1):16244. [DOI:10.1038/s41598-021-95545-y] [PMID] [PMCID]
6. Hosseinabadi H, Mehri-Dehnavi A, Talebi A, Momenzadeh M, Vard A. Diagnosis of Cervical Cancer Using Texture and Morphological Features in Pap Smear Images. J Isfahan Med Sch 2020;38(583):489-93. [Google Scholar]
7. Asgary R, Beideck E, Naderi R. Comparative assessment of test characteristics of cervical cancer screening methods for implementation in low-resource settings. Prev Med 2022;154:106883. [DOI:10.1016/j.ypmed.2021.106883] [PMID]
8. Nayar R, Wilbur DC. The Bethesda system for reporting cervical cytology: definitions, criteria, and explanatory notes. Third ed: Springer; 2015 [DOI:10.1007/978-3-319-11074-5]
9. Tian X, Li C, Hou Y, Xie J, Song M, Liu K, et al. Artificial intelligence in brachytherapy for cervical cancer. J Cancer Res Ther 2022;18(5):1241-6. [DOI:10.4103/jcrt.jcrt_2322_21] [PMID]
10. Sarwar A, Sharma V. Comparative analysis of machine learning techniques in prognosis of type II diabetes. AI Soc 2014 Feb;29:123-9. [DOI:10.1007/s00146-013-0456-0]
11. Kern J, Dezelic G, Tezak-Bencic M, Durrigl T, editors. Medical decision making using inductive learning program. Proceedings of 1st congress on Yougoslav medical informatics, Beogard; 1990. [PMID]
12. Kano Y, Ikushima H, Sasaki M, Haga A. Automatic contour segmentation of cervical cancer using artificial intelligence. J Radiat Res 2021;62(5):934-44. [DOI:10.1093/jrr/rrab070] [PMID] [PMCID]
13. Soni VD, Soni AN. Cervical cancer diagnosis using convolution neural network with conditional random field. In: 2021 Third International Conference on Inventive Research in Computing Applications (ICIRCA). IEEE; 2021. [DOI:10.1109/ICIRCA51532.2021.9544832]
14. Sokouti B, Haghipour S, Tabrizi AD. A framework for diagnosing cervical cancer disease based on feedforward MLP neural network and ThinPrep histopathological cell image features. Neural Comput Appl.2014;24(1)221-32. [DOI:10.1007/s00521-012-1220-y]
15. Zhao L, Li K, Wang M, Yin J, Zhu E, Wu C, et al. Automatic cytoplasm and nuclei segmentation for color cervical smear image using an efficient gap-search MRF. Comput Biol Med 2016;71:46-56. [DOI:10.1016/j.compbiomed.2016.01.025] [PMID]
16. Su J, Xu X, He Y, Song J. Automatic detection of cervical cancer cells by a two-level cascade classification system. Anal Cell Pathol (Amst) 2016;2016:9535027. Available from: http://dx.doi.org/10.1155/2016/9535027. [DOI:10.1155/2016/9535027] [PMID] [PMCID]
17. Song Y, Zhang L, Chen S, Ni D, Li B, Zhou Y, Lei B, Wang T. A deep learning based framework for accurate segmentation of cervical cytoplasm and nuclei. Annu Int Conf IEEE Eng Med Biol Soc 2014; 2014:2903-6. [Google Scholar]
18. Harandi NM, Sadri S, Moghaddam NA, Amirfattahi R. An Automated Method for Segmentation of Epithelial Cervical Cells in Images of ThinPrep. J Med Syst 2010;34(6):1043-58. [DOI:10.1007/s10916-009-9323-4] [PMID]
19. Sokouti B, Haghipour S, Tabrizi AD. A Pilot Study on Image Analysis Techniques for Extracting Early Uterine Cervix Cancer Cell Features. J Med Syst 2012;36(3):1901-7. [DOI:10.1007/s10916-010-9649-y] [PMID]
20. Ojala T, Pietikainen M, Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Trans Pattern Anal Mach Intell 2002;24(7):971-87. Available from: http://dx.doi.org/10.1109/tpami.2002.1017623. [DOI:10.1109/TPAMI.2002.1017623]
21. Liu L, Lao S, Fieguth PW, Guo Y, Wang X, Pietikäinen M. Median robust extended local binary pattern for texture classification. IEEE Trans Image Process 2016;25(3):1368-81. Available from: http://dx.doi.org/10.1109/TIP.2016.2522378. [DOI:10.1109/TIP.2016.2522378] [PMID]
22. Duda RO, Hart PE, Stork DG. Pattern classification: John Wiley & Sons; 2012 [URL]
23. Gençtav A, Aksoy S, Önder S. Unsupervised segmentation and classification of cervical cell images. Patt Recogn 2012;45(12):4151-68. [DOI:10.1016/j.patcog.2012.05.006]
24. Zhang J, Hu Z, Han G, He X. Segmentation of overlapping cells in cervical smears based on spatial relationship and overlapping translucency light transmission model. Patt Recogn 2016;60:286-95. [DOI:10.1016/j.patcog.2016.04.021]
25. Garcia-Gonzalez D, Garcia-Silvente M, Aguirre E. A multiscale algorithm for nuclei extraction in pap smear images. Expert Syst Appl 2016; 64:512-22. [DOI:10.1016/j.eswa.2016.08.015]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
اطلاعات تماس
آدرس مکاتبه: آذربایجان غربی، ارومیه، بلوار رسالت، خیابان جهاد، کوی اورژانس، معاونت تحقیقات و فناوری
صندوق پستی : ۱۱۳۸
کد پستی : ۵۷۱۴۷۸۳۷۳۴
تلفن : 31937415-۰۴۴
فاکس : 32233009-۰۴۴
پست الکترونیک :
unmf
umsu.ac.ir , j.nur.midgmail.com
