آقای احسان کوزه گردانشجوی کارشناسی ارشد جناب آقای دکتر محسن سریانی روز شنبه 12/9/90 ساعت 17در اتاق 304 واقع در طبقه سوم دانشکده کامپیوتر از پروژه کارشناسی ارشد خود تحت عنوان پیاده سازی روشی کارا برای شناسایی خودکار توده ها در تصاویر مامو گرام دفاع خواهند نمود.

  چکیده پایان نامه:

  هدف از این پایان­نامه، پیاده­سازی سیستمی برای شناسایی توده­ها در تصاویر ماموگرام می­باشد. توده­ها جزء رایج­ترین علائم سرطان سینه به حساب می­آیند و شناسایی زودهنگام آن­ها می­تواند تأثیر زیادی در درمان سرطان داشته باشد. سیستم توده­یاب پیشنهاد شده در این پایان­نامه دارای 2 گام اساسی می­باشد. در گام 1 تعدادی ناحیه­ی مشکوک به توده از تصاویر ماموگرام استخراج می­شود. بعضی از این نواحی واقعاَ مبین توده هستند و بعضی از آن­ها به اشتباه به عنوان توده استخراج می­شوند. ما برای استخراج نواحی مشکوک روشی پیشنهاد کرده­ایم که این روش مبتنی بر کانتور تک­شدتی می­باشد. در گام 2 با استفاده از تکنیک­های یادگیری ماشین سعی می­کنیم بسیاری از ناحیه­هایی که در گام 1 به اشتباه به عنوان توده استخراج شده­اند را کاهش دهیم. در رویکرد پیشنهاد شده، تعداد زیادی ویژگی به ازای هر ناحیه استخراج شده و یک بردار ویژگی طویل متناظر با هر ناحیه ساخته می­شود. در ادامه با یک مشکل اساسی روبه­رو خواهیم بود که تقریباَ تمام الگوریتم­ها از این مشکل رنج می­برند. این مشکل اساسی نامتعادل بودن مجموعه داده می­باشد. یعنی تعداد نمونه­های مثبت نادرست به مراتب بیشتر از نمونه­های مثبت درست می­باشد.

  این عدم تعادل موجب تمایل رده­بندها به سمت کلاس بزرگتر شده و بدین ترتیب شاهد اَفت شدید کارایی سیستم خواهیم بود.

  برای رویارویی با مشکل عدم تعادل از 2 راهکار در کنار یکدیگر بهره برده­ایم: 1- نمونه­گیری 2- استفاده از رده­بندی حساس به هزینه. در این پایان­نامه از یک روش نمونه­گیری به نام SMOTE برای افزایش نمونه­های مثبت در مجموعه آموزشی استفاده کردیم. پس از نمونه­گیری، به منظور کاهش پیچیدگی­های فضایی و زمانی و همچنین افزایش کارایی رده­بند از یک روش انتخاب ویژگی بر مبنای معیار سود اطلاعاتی استفاده شد. سرانجام برای رده­بندی نمونه­ها، یک رده­بند مرکب و حساس به هزینه طراحی نمودیم. این رده­بند مرکب خود ترکیبی از 3 رده­بند مرکب به نام AdaBoost ، Bagging و جنگل چرخش می­باشد که از طریق مکانیزم رأی­گیری با هم ترکیب شده­اند. از آنجاییکه هزینه­ی رده­بندی نادرست توده­ها با یکدیگر متفاوت است، تصمیم گرفتیم که با استفاده از یک فرا-رده­بند به نام متاکاست ، رده­بند مرکب پیشنهادشده را به رده­بندی حساس به هزینه تبدیل کنیم. سیستم توده­یاب پیشنهاد شده بر روی مجموعه داده­ی mini-MIAS آزمایش شده است. تحلیل FROC کارایی روش پیشنهادشده را تأیید می­کند و نتایج حاکی از این است که کارایی توده­یاب پیشنهاد شده بهتر از توده­یاب­های رقیب می­باشد.

  Abstract:

  The goal of this thesis is implementing an efficient method for detectiong masses in mammograms. Masses are the most common sign of breast cancer and early detection of them has a critical effect on curing breast cancer. Our proposed mass detector consists of two major steps; in the first step, we extract several suspicious regions from the mammograms. Some of these regions truly represent a mass and the others were mistakenly extracted. We have proposed an iso-intensity-based method for extracting suspicious regions in this step. In the second step, we have to reduce many of the false positive regions to reach a better performance. In our approach, so many features were extracted from each region, this redundancy in feature extraction results in a long feature vector. Then, we will encounter a crucial problem that all the learning algorithms suffer from. This problem is related to the imbalanced datasets. In our dataset, the number of false positives is much higher than the true positives. Because of this problem, classifiers were biased toward the major class, our mass detector algorithm`s performance is decreased by this problem as well. We used two strategies to overcome the problem: 1- sampling 2- using a cost-sensitive classifier. In this thesis, we use a sampling method called SMOTE, according to this sampling method, we increase the number of the true positive samples in the dataset to construct a balanced dataset. After sampling, for decreasing time and space complexity and also increasing the classifier’s performance, we use a feature selection method based on the information gain. Finally, we design a cost-sensitive ensemble classifier to filter false positives. Our ensemble classifier consists of three ensembles (AdaBoost, Bagging and Rotation Forest) itself, which are combined according to a voting strategy. As the samples misclassification cost is different with each other, we decided to transform our ensemble to a cost-sensitive ensemble using a meta-classifier called MetaCost. We tested our mass detector on mini-MIAS database. FROC analysis verifies the performance of our proposed method. The results show the better performanece of our approach relative to the other competing methods.

  ارائه­دهنده:

 احسان کوزه گر

  اساتید راهنما:

  دکترمحسن سریانی

  استاد ممتحن داخلی : دکتر محمدرضا جاهد مطلق

  استاد ممتحن خارجی :دکتر حمید ابریشمی مقدم

  زمان : شنبه 12 آذرماه

  ساعت 17

  مکان: دانشکده مهندسی کامپیوتر- طبقه سوم- اتاق 304

  از اساتید بزرگوار، دانشجویان گرامی و دیگر متخصصان و علاقه مندان به موضوع دفاعیه دعوت
می شود با حضور خود موجبات غنای علمی و ارتقای کیفی را فراهم سازند.

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی