@article { author = {Zarrabi Baboldasht, Shima and Behzadfar, Neda}, title = {Detection of Breast Cancer from Calcium Particles in Mammography Using Fuzzy Clustering and Neural Networks}, journal = {Advanced Signal Processing}, volume = {5}, number = {1}, pages = {19-27}, year = {2021}, publisher = {Vice Chancellery for Research and Technology, University of Tabriz}, issn = {2676-3397}, eissn = {2676-3400}, doi = {10.22034/jasp.2022.48252.1161}, abstract = {Detection of calcium particles in breast mammography images is important in the early detection of cancer. Identification of these particles is done manually by experts, which is associated with high cost and error. In this paper, a new method based on fuzzy clustering algorithm for fine-grained detection in mammographic images is proposed. In the proposed method, the low quality of mammographic images is improved with the help of preprocessing. By defining an appropriate membership function in fuzzy clustering, fine-grained regions are identified. Finally, the identified areas were classified into benign and malignant groups with the help of forward propagation neural network with error propagation training algorithm. The accuracy of identification of the desired area is 96.79% and the sensitivity of this identification is 97.20%. Compared to the previous method, the accuracy and sensitivity of fine-grained identification has been improved (95% of the desired area identification accuracy and 90.52% sensitivity).  In the classification of areas with the help of neural network, the accuracy was 97.5%. Evaluation criteria showed the superiority of the proposed method in the extraction of calcium particles and classification. The reason for the superiority of the proposed method is the high accuracy in extracting the desired area as well as the distinctive features extracted from the desired area.}, keywords = {Microcalsiom,breast cancer,Mammogram images,Fuzzy clustering,classification,feature extraction}, title_fa = {تشخیص سرطان سینه از روی ریزدانه‌های کلسیم در تصویر ماموگرافی به کمک خوشه‌بندی فازی و شبکه های عصبی}, abstract_fa = {تشخیص ریزدانه‌های کلسیم در تصاویر ماموگرافی سینه در تشخیص زودهنگام سرطان از اهمیت زیادی برخوردار‌است. شناسایی این ریزدانه‌ها به‌طور دستی و توسط افراد متخصص انجام می‌گیرد که با هزینه بالا و خطا همراه است. در این مقاله یک روش جدید مبتنی بر الگوریتم خوشه‌بندی فازی برای شناسایی ریزدانه در تصاویر ماموگرافی پیشنهاد شده است. در روش پیشنهادی کیفیت پایین تصاویر ماموگرافی به کمک پیش‌پردازش بهبود داده ‌می‌شود. با تعریف یک تابع عضویت مناسب در خوشه‌بندی فازی، نواحی ریزدانه شناسایی ‌شده‌اند. دقت و حساسیت ناحیه مطلوب دارای ریزدانه شناسایی‌شده با ناحیه‌ای که توسط پزشک استخراج‌شده مقایسه شده است. دقت شناسایی ناحیه مطلوب 79/96 درصد و حساسیت این شناسایی 20/97 درصد به‌دست‌ آمده است که نسبت به روش قبلی دقت و حساسیت شناسایی ریزدانه بهبود پیدا کرده است (دقت شناسایی ناحیه مطلوب 95 در صد و حساسیت 52/90 در صد). در ادامه به کمک شبکه عصبی انتشار به جلو با الگوریتم آموزشی پس انتشار خطا، به طبقه‌بندی نواحی استخراج‌شده به دو دسته خوش‌خیم و بدخیم پرداخته‌شده است. معیارهای دقت شناسایی، حساسیت، نرخ اخباری مثبت و منفی برای ارزیابی دقت تشخیص خوش‌خیم و بدخیم بودن ریزدانه به کار گرفته شد. دقت شناسایی 50/97 درصد، حساسیت 13/98 درصد، نرخ اخباری مثبت 30/98 درصد و منفی 32/96 درصد، بیان‌کننده نتایج مطلوب از روش پیشنهادی در این مقاله است. دلیل برتری روش پیشنهادی دقت بالا در استخراج ناحیه مورد نظر و همچنین ویژگی های متمایز استخراج شده از ناحیه مورد نظر است.}, keywords_fa = {ریزدانه کلسیم,سرطان سینه,تصاویر ماموگرام,خوشه‌بندی فازی,طبقه‌بندی,استخراج ویژگی}, url = {https://jasp.tabrizu.ac.ir/article_14342.html}, eprint = {https://jasp.tabrizu.ac.ir/article_14342_914f2c1179bf265da56e32157fed18ea.pdf} }