چکیده: سرطان سینه، شایع‎ترین نوع سرطان و دومین عامل مرگ و میر ناشی از سرطان در میان زنان است. پیشگیری از این بیماری به دلیل ناشناخته بودن عوامل آن تقریبا غیرممکن به نظر می رسد. بنابراین شناسایی و تشخیص زودهنگام آن یکی از عوامل مهم و اساسی در درمان این بیماری است. تشخیص و درمان زودهنگام سرطان سینه باعث افزایش امید به زندگی شده و بیمار را برای مراجعه بعدی درمان آماده می کند. استفاده از روش ماموگرافی در حال حاضر رایج ترین راه تشخیص زودهنگام این بیماری است و درصد مرگ و میر را تا 25 درصد کاهش داده است. سامانه های تشخیص پزشکی (CAD)، به صورت گسترده برای شناسایی انواع ضایعات در تصاویر ماموگرافی به کار می روند. توده ها و MCها دو نوع مهم از این ضایعات هستند. در این تحقیق هدف طراحی، شبیه سازی، بررسی و مقایسه سیتم های CAD می باشد که قادر به شناسایی خودکار توده ها در تصاویر ماموگرافی با دقت بالایی باشند. علاوه بر توده کاربرد سامانه های تشخیص پزشکی در شناسایی MCها نیز به صورت کوتاه مورد بررسی قرار می گیرد. روش پیشنهادی ما در این پایان نامه از 4 مرحله اصلی تشکیل شده است. این 4 مرحله، شامل پیش پردازش، استخراج نواحی مشکوک به توده، استخراج ویژگی از نواحی مشکوک و دسته بندی می باشد. همه مراحل در فصل های جداگانه به همراه جزئیات بحث می شود. در مرحله پیش پردازش راهکارهایی جهت بهبود کیفیت تصویر ماموگرافی و حذف مناطق اضافی همچون برچسب ها و ماهیچه پکتورال داده شده است. در محله دوم، ناحیه های مشکوک به توده به صورت خودکار و با استفاده از تحلیل هیستوگرام از تصویر ماموگرافی استخراج می شوند. در مرحله سوم انواع مختلف ویژگی روشنایی، بافتی و شکلی معرفی می شود و نمونه هایی از آنها ارائه می شود. پس از آن ترکیب مناسبی از ویژگی-های بافتی حاصل از ماتریس هم رخداد و ماتریس طول رخداد که منجر به دقت جداسازی بالا خواهد شد، پیشنهاد می شود. در مرحله آخر به منظور دسته بندی نواحی مشکوک، از سه طبقه بند پایه شبکه عصبی مصنوعی، K-NN و SVM استفاده شده است. با استفاده از تصاویر ماموگرافی از پایگاه داده DDSM نتاج را برای هر سه طبقه بند مورد بررسی قرار می دهیم. در انتها به منظور افزایش دقت دسته بندی، از راهکار ترکیب اطلات در نتایج طبقه بندهای پایه استفاده می کنیم. برای این منظور روش OWA به کار گرفته شد. نتایج گزارش شده با استفاده از این روش حاکی از آن است که دقت دسته-بندی نسبت به بهترین درصد در طبقه بندهای پایه بیش از 4 درصد افزایش داشته است. همچنان استفاده همزمان از ویژگی های GLCM و GLRLM بیش از 2% بهبود دقت، نسبت به شرایطی که از هر کدام از آنها به تنهایی استفاده شده است را به همراه دارد.