از آنجا که سرطان پستان به عنوان یکی از دلایل اصلی مرگ و میر زنان در سراسر جهان شناخته شده، طبیعی است که ارائه و توسعه روش‌هایی برای تشخیص زود هنگام آن، به ویژه بدون استفاده از ابزارهای تصویربرداری تهاجمی و نیز با سرعت پاسخ مناسب، از ارزش بالایی برخوردار باشد. تصویربرداری ترموگرافی، در صورتی که با روشی سریع و قابل اعتماد برای طبقه‌بندی نتایج تصویربرداری همراه گردد می‌تواند گزینه‌ای مناسب در جهت تحقق این هدف باشد. در این پژوهش با استفاده از ترموگرافی پستان و بهره‌گیری از نوعی از شبکه‌های عصبی متأخر به نام ماشین یادگیری بیشینه به عنوان یک طبقه‌بند هوشمند و کارآمد به مسئله تشخیص سرطان پستان اشاره شده است. همچنین، یک توسعه این طبقه‌بند تحت عنوان ماشین یادگیری بیشینه چندلایه مبتنی بر هسته را نیز مورد بررسی قرار گرفته است. در روش پیشنهادی، ابتدا با استفاده از یک روش تقسیم بندی خودکار تصاویر پایگاه داده به پستان های چپ و راست قطعه‌بندی و تفکیک شده و سپس با استخراج ویژگی های بافت محلی، رنگ و شکل و ارائه این ویژگی ها به صورت مجزا و یا ترکیبی به شبکه، عملکرد و کارایی سیستم مورد مطالعه قرار گرفته است. با آزمایش مدل های استخراج ویژگی بافت محلی گوناگون، مانند الگوی دودویی محلی (LBP) و الگوی سه تایی محلی (LTP) و نیز ویژگی‌های رنگ RGB و YCbCr، برترین نتیجه این تحقیق از تصاویر ترموگرافی پستان در پایگاه داده برای تحقیقات ماما با تصویر مادون قرمز (DMR-IR) برای یک ویژگی ترکیبی جدید پیشنهادی LBP-Mix و ویژگی بافت LTP حاصل از استخراج بافت محلی در شعاع‌های مختلف، با صحت بیش از 96 درصد و دقت 100 درصد به دست آمده است. Manuscript profile