مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 23 2 2025 10 18 Automatic Classification of Breast Cancer Images Using Transfer Learning on Enhanced Mammography Images طبقه‌بندی خودکار تصاویر سرطان پستان با استفاده از یادگیری انتقال بر روی تصاویر ماموگرافی بهبودیافته 132 138 fa زهرا امیری دانشگاه صنعتی شاهرود زهرا مرتضایی دانشگاه صنعتی شاهرود 2024 11 21 <p style="text-align: left;"><span style="font-family: 'times new roman', times, serif;"><strong>Breast cancer</strong> is considered one of the major concerns in global health, and it is divided into two types: benign and malignant. The malignant type poses a higher risk due to its faster metastasis. Therefore, there is a critical need for fast and accurate detection. Despite the expertise of radiologists, errors due to incorrect interpretation often lead to misdiagnoses. To address this issue, this paper proposes an intelligent system for analyzing mammography images, which includes preprocessing, feature extraction, and classification stages. In this system, the image quality is first improved using preprocessing techniques like Contrast Limited Adaptive Histogram Equalization (CLAHE), and then the region corresponding to the cancerous mass is extracted using Otsu&rsquo;s thresholding segmentation method. Additionally, key features for distinguishing between benign and malignant tumors are extracted using two pre-trained Convolutional Neural Network (CNN) models, namely ResNet50 and InceptionV3. Finally, the extracted features are analyzed using a Support Vector Machine (SVM) classifier to predict the tumor types. The result of this work is an improvement in diagnostic accuracy and early breast cancer detection, which reduces human error and the current challenges in interpreting mammography images</span></p> <p>سرطان پستان، یکی از نگرانی&zwnj;های مهم در حوزه بهداشت جهانی محسوب می&zwnj;شود، که به دو نوع خوش&zwnj;خیم و بدخیم تقسیم می&zwnj;شود. نوع بدخیم آن به دلیل متاستاز سریعتر، خطر بیشتری دارد. از اینرو، نیاز حیاتی به تشخیص سریع و دقیق دارد. علیرغم تخصص رادیولوژیست&zwnj;ها، خطاهای ناشی از تفسیر غلط منجر به تشخیص&zwnj;های نادرست می&zwnj;شود. برای حل این مشکل، این مقاله سیستم هوشمندی را برای تحلیل تصاویر ماموگرافی پیشنهاد می&zwnj;کند که شامل مراحل پیش&zwnj;پردازش، استخراج ویژگی&zwnj;ها و طبقه&zwnj;بندی آنها می&zwnj;باشد. در این سیستم، ابتدا با استفاده از تکنیک&zwnj;های پیش&zwnj;پردازشی مانند بهبود هیستوگرام تطبیقی محدود شده توسط کنتراست کیفیت تصویر را بهبود بخشیده و در ادامه از روش قطعه&zwnj;بندی به روش آستانه&zwnj;گذاری آتسو برای استخراج ناحیه مربوط به توده سرطانی استفاده می&zwnj;شود. همچنین با استفاده از دو مدل از پیش آموزش داده شده شبکه&zwnj;های عصبی پیچشی (CNN)، یعنی ResNet50&nbsp;و InceptionV3، ویژگی&zwnj;های کلیدی برای تمایز بین تومورهای خوش&zwnj;خیم و بدخیم استخراج می&zwnj;شود. در نهایت، با بهره&zwnj;مندی از طبقه&zwnj;بند ماشین بردار پشتیبان (SVM)، ویژگی&zwnj;های استخراج شده به منظور پیشبینی نوع تومورها، تجزیه و تحلیل می&zwnj;شود. نتیجه این کار، بهبود دقت تشخیص و همچنین تشخیص زودهنگام سرطان پستان است، که منجر به کاهش خطای انسانی و چالش&zwnj;های فعلی در تفسیر تصاویر ماموگرافی می&zwnj;شود.</p> http://ijece.org/fa/Article/Download/48640