سرطان سینه شایع ترین نوع سرطان در میان زنان است. آژانس بین المللی تحقیق بروی سرطان(IARC) تخمین زده است که سالانه بیش از یک میلیون مورد سرطان سینه در جهان اتفاق می افتد. تشخیص زودهنگام سرطان سینه نقش مهمی را در کاهش میزان مرگ و میر ایفا می کند و باعث می شود که این نوع سرطان به یکی از درمان پذیرترین سرطان ها تبدیل شود. به دلیل قابلیت تشخیص تومورها و دانه های ریز کلسیمی (Micro Calcifications) در مراحل ابتدایی سرطان، ماموگرافی هر سه سال یک بار برای تمامی زنان بین 50 تا 95 ساله پیشنهاد می گردد. تعداد زیاد تصاویر ماموگرافی ازیک طرف و وابسته بودن تشخیص خوشه های کلسیمی به تجربه پزشک از طرف دیگر، پژوهشگران را به سمت استفاده از سیستم های تشخیص به کمک رایانه هدایت نموده است. به علت کوچک بودن ریز رسوبات آهکی در تصاویر ماموگرافی، تحلیل این تصاویر دقت زیادی را طلب می کند و تحلیل کامل یک تصویر باعث خستگی و کاهش دقت پزشک می شود. لذا طراحی یک سیستم خودکار برای شناسایی نواحی دارای ضایعه باعث افزایش دقت تشخیص رادیولوژیست و افزایش سرعت غربالگری تصاویر خواهد شد. غربال گری از طریق ماموگرافی تأثیر زیادی در کاهش میزان مرگ و میر ناشی از سرطان سینه دارد و برنامه های غربال گری میزان مرگ و میر را 35 تا 75 درصد کاهش داده اند.
در سالیان اخیر، هوش مصنوعی (AI) نقش پررنگی در بررسی تصاویر ماموگرافی و همچنین تشخیص و طبقه بندی ضایعات مو جود در این تصاویر داشته است. در روشهای مبتنی بر AI ویژگی های پیکسلی سراسر تصویر استخراج می شود و بر اساس آن وجود یا عدم وجود ریز رسوبات آهکی یا همان Micro Calcification ها تشخیص داده می شود. سامانه نرم افزاریMCFinder یک از بهترین ابزار های تشخیص این ضایعات در تصاویر ماموگرافی می باشد.
نرم افزار قدرتمند MCFinder با هدف پردازش تصاویر ماموگرافی و تشخیص Micro Calcification های خوش خیم و بدخیم به منظور غربالگری هرچه بهتر بیماران و اشخاص مختلف توسعه داده شده است. در این نرم افزار با پردازش یک تصویر ماموگرافی، ناحیه ی حضور ذرات ریز آهکی در صورت وجود مشخص می شود و نشان داده می شود. تصاویر مربوط به نرم افزار در شکل های زیر نشان داده شده است. به منظور ارزیابی دقت این نرم افزار، تعداد 152 تصویر ماموگرافی مربوط به 76 نفر شامل 40 مورد بیمار و 36 مورد سالم از پایگاه داده ی DDSM به وسیله ی این نرم افزار پردازش شده است. نتایج بدست آمده نشان می دهد که از 40 مورد مثبت، تنها سه مورد منفی کاذب گزارش شده است و همچنین از 36 مورد منفی تنها پنج مورد مثبت کاذب گزارش شده است. بنابراین، دقت تشخیص نرم افزار 90 درصد و حساسیت آن 92.5 درصد می باشد. ضمنا زمان پردازش هر تصویر توسط این نرم افزار بطور میانگین حدود 4 دقیقه می باشد.
