Nursing and Midwifery Journal

fa 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 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 مامایی Midwifery پژوهشي Research 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. Background & Aims: Invasive cervical cancer is the second most common cancer among women worldwide. There are many methods based on artificial intelligence to accurately diagnose the normality or cancer of the cells, which help the specialist to diagnose cancer cells better and faster. This study aimed to present a new and efficient method for automatically detecting normal and abnormal cells. Material & Method: This was a descriptive study. In order to create the database, 2600 images were prepared from 150 cytological slides. Images were evaluated, identified, and classified by specialists. In order to evaluate the proposed method in the prepared database, out of 2600 images prepared, 1300 images were considered for system training and 1300 images for testing. This research used MATLAB software version R2014b to evaluate and compare the proposed method with other methods. Results: Morphological extractors were used to extract the characteristics of the cells in all three stages, and support vector machine, logistic regression and C4.5 classifications were used for classification, respectively. The accuracy of the proposed method in detecting cervical cells in both normal and abnormal groups was 98.23%, which is more than other methods, and also the ratio of false positives (0.92%) and false negatives (0.85%) is lower than other methods. Conclusion: The proposed method can help significantly in the field of diagnosis in medicine with the early detection of cancer and, in many cases, can be very effective in timely treatment of the patients and prevention of their mortality. سرطان دهانه رحم, الگوی دودویی محلی توسعه‌یافته, ماشین بردار پشتیبان Cervical Cancer, Locally Developed Binary Pattern, Support Vector Machine 47 57 http://unmf.umsu.ac.ir/browse.php?a_code=A-10-3849-1&slc_lang=fa&sid=1 Soheila Hafezi Haghani سهیلا حافظی حقانی s.haghani@yahoo.com 100319475328460034868 100319475328460034868 No Master of Computer Science, Faculty of Computer Engineering, Najafabad Branch, Islamic Azad University, Najafabad, Iran کارشناسی ارشد کامپیوتر، دانشکده مهندسی کامپیوتر، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران Jaber Zabihirad جابر ذبیحی راد zabihirad-j@ajums.ac.ir 100319475328460034869 100319475328460034869 No Educator, Department of Operating Room Technology, School of Nursing and Midwifery, Ahvaz Jundishapur University of Medical Sciences, Ahvaz, Iran مربی گروه تکنولوژی اتاق عمل، دانشکده پرستاری و مامایی، دانشگاه علوم پزشکی جندی شاپور اهواز، اهواز، ایران Mohammad Ghasembandi محمد قاسم‌بندی m.ghasembandi@yahoo.com 100319475328460034870 100319475328460034870 Yes Educator, Master of Operating Room Technology, Community Health Research Center, Isfahan Branch (Khorasgan) Islamic Azad University, Isfahan, Iran (Corresponding Author) مربی گروه اتاق عمل، مرکز تحقیقات سلامت جامعه، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران (نویسنده مسئول) Sajad Farokhi سجاد فرخی s.haghani@yahoo.com 100319475328460034871 100319475328460034871 No Assistant Professor, Faculty of Computer Engineering, Najafabad Branch, Islamic Azad University, Najafabad, Iran استادیار، دانشکده مهندسی کامپیوتر، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران