بخشی از مقاله
چکیده
کمینه کردن خطاهای انسانی در تشخیص بیماری ها یکی از مهمترین اهداف سیستم های تشخیص پزشکی مبتنی بر کامپیوتر می باشد. سیستم های تشخیص پزشکی مبتنی بر کامپیوتر سیستم هایی هستند که با استفاده از روش های شناسایی الگو و داده کاوی، سعی در کم کردن خطاهای انسانی پزشک دارند و به عنوان همیار پزشک می توانند مورد استفاده قرار گیرند.
در این پژوهش، یک سیستم تشخیص پزشکی مبتنی بر کامپیوتر برای کشف و تشخیص آسیب دیدگی ستون فقرات پیشنهاد شده است. در روش پیشنهادی از تجمیع خودراه اندازهای ماشین بردار پشتیبان استفاده گشته است. روش های مبتنی بر تجمیع خودراه انداز، معمولا باعث افزایش دقت و پایداری نتایج می شوند. سیستم پیشنهادی می تواند به عنوان یک همیار پزشک، مورد استفاده پزشکان قرار گیرد.
-1 مقدمه
تشخیص پزشکی یک کار بصری و مشکل می باشد که اغلب توسط یک متخصص انجام می شود. در سال های اخیر استفاده از روش های شناسایی الگو و داده کاوی به طور چشمگیری در دامنه های مختلف پزشکی در حال افزایش می باشد.
یکی از مسائل اصلی در سلامت انسان ها، درد قسمت تحتانی پشت می باشد. این درد باعث آثار منفی روی بیماران خواهد شد. مطالعاتی که بر روی تست MRI حدود 20 میلیون افراد در آمریکا انجام شده نشان داده است که حدود %50 از مردم دارای مشکلات ستون فقرات هستند.[1] در سال های اخیر توجه به درد این بیماران و تلاش جهت کاهش این درد افزایش پیدا کرده است.
ستون فقرات بخش اصلی استخوان بندی انسان در نیم تنه بالایی است. نقش ستون فقرات، پشتیبانی از کل بدن، توانایی در خم شدن ، چرخیدن در تمام مسیرها ، و محافظت از ساختمان های حیاتی بدن مثل اعصاب و نخاع است. سیستم ستون فقرات شامل دیسک ها، اعصاب، عضلات و یک گروه از ستون فقرات می باشد. اختلالات شدید باعث ایجاد کمردردهای طاقت فرسا خواهد شد.
یکی از دلایل درد ستون فقرات ، مربوط به فتق دیسک و اسپوندیلولیستزی می باشد. ستون فقرات از استخوان هایی تشکیل شده است که شامل صفحات بیضی شکل دیسک می باشد. این صفحات دارای یک لایه خارجی سفت و محکم - انولوس - و لایه داخلی نرم - نوکلئوس - می باشند. وقتی فتق دیسک رخ می دهد بخشی از نوکلئوس از درون شکافی در انولوس وارد کانال ستون فقرات می شود. این امر باعث آسیب به عصب و در نتیجه ایجاد درد در کمر می شود. منظور از اسپوندیلولیستزی،شکستگی در قسمتی از ستون فقرات است که باعث جا به جایی مهره ها می شود.
هدف از این پژوهش، تشخیص بیماران دارای فتق دیسک و اسپوندیلولیستزی با استفاده از روش های شناسایی الگو و داده کاوی است. یونال و کوسر[1] در پژوهش به بررسی آسیب دیدگی ستون فقرات با استفاده از شبکه عصبی پس انتشار و طبقه بندی کننده بیزین پرداختند. در این پژوهش، شبکه عصبی توانست به دقت % 85,40 و طبقه بندی کننده بیزین به دقت 83,23 برسد.
در کار دیگری، نتو و بارتو[2] با استفاده از ماشین بردار پشتیبان و شبکه های عصبی خودسازمانده به تشخیص آسیب ستون فقرات پرداختند. آن ها به دقت % 84 ,9 بر روی آزمایش های خود رسیدند. در کار دیگری[3] همین نویسندگان به تشخیص آسیب دیدگی با استفاده از ماشین بردار پشتیبان، شبکه های عصبی پس انتشار ، شبکه های عصبی رگرسیون عمومی و ترکیب آن ها پرداختند. این افراد با تقسیم بندی های گوناگون مجموعه داده ها به اموزشی و تست ، آزمایش های مختلفی را انجام داده اند.
در این پژوهش از یک روش مبتنی بر تجمیع خودراه انداز های ماشین بردار پشتیبان استفاده شده است. تجمیع خود راه انداز روشی جهت افزایش کارایی یک الگوریتم طبقه بندی و پایداری نتایج می باشد. نتایج نشان می دهد که روش پیشنهادی توانسته است نسبت به کارهای مشابه دقت قابل قبولی را ارائه نماید.
-2 مواد و روش ها
در این پژوهش، روشی جدید مبتنی بر تجمیع خودراه اندازهای ماشین بردار پشتیبان برای تشخیص آسیب دیدگی ستون فقرات پیشنهاد شده است. در این بخش، مجموعه داده های استفاده شده و روش پیشنهادی توضیح داده شده است.
-1-2 مجموعه داده ها
مجموعه داده های مورد استفاده در این پژوهش از مرکز سیستم های هوشمند ویادگیری ماشین دانشگاه کالیفرنیا [4] گرفته شده است. این مجموعه داده ها در سال 2011 توسط دکتر هنریکو و گولهرمی در گروه تحقیقات کاربردی ارتوپدی فرانسه و دپارتمان مهندسی دانشگاه فدرال کیرای برزیل معرفی شده است. این مجموعه داده ها به دو صورت سازماندهی شده اند و دو وظیف طبقه بندی متفاوت را بر عهده دارند.
مجموعه داده های ستون فقرات دارای شش ویژگی بیومکانیکی برای طبقه بندی بیماران ارتوپدی به سه گروه - نرمال، فتق دیسک 1 و اسپوندیلولیستزی - 2 و یا دو گروه - نرمال و غیرنرمال - می باشد. منظور از فتق دیسک بین مهره ای، عارضه ای است که به علت ضربه یا بلند کردن جسم سنگین و یا گاهی خود به خود در ستون فقرات ایجاد می شود . فتق معمولا در قسمت کناری خارجی رباط حلقوی، که نازک و ضعیف است اتفاق می افتد.
در فتق دیسک بخشی از نوکلئوس - لایه داخلی نرم دیسک - از درون شکافی در انولوس - لایه خارجی سخت دیسک - وارد کانال ستون فقرات می شود. این امر باعث آسیب به عصب و درد و نارحتی های شدید در ناحیه کمر خواهد شد. شکل 1 نمایی از فتق دیسک را نشان می دهد. شکستگی در قسمتی خاصی از مهره های ستون فقرات به نام قسمت بین مفصلی را اسپوندیلولیزی می گویند. اگر این شکستگی سبب جابه جایی مهره ها شود به آن اسپوندیلولیستزی می گویند. به عبارت دیگر اسپوندیلولیستزی به معنی سرخوردن یک مهره به سمت جلو روی مهره پایینی است. شکل 2 نمایی از اسپوندیلولیزی و اسپوندیلولیستزی را نشان می دهد.
شکل .1 نمایی از فتق دیسک
شکل .2 ساختار اسپوندیلولیستزی
اطلاعات آماری مربوط به ویژگی های استخراج شده در جدول 1 آمده است.
جدول .1 اطلاعات آماری ویژگی های استخراج شده
-2-2 ماشین بردار پشتیبان
ماشین بردار پشتیبان نوع طبقه بندی کننده برای داده های خطی و غیرخطی است. این طبقه بندی کننده داده ها را به فضایی با ابعاد بالاتر نگاشت می کند و در فضای جدید به دنبال یک ابر خط جدا کننده می گردد. فرض کنید داده ها جداپذیر خطی می باشند. تعداد نامحدود ابرصفحه وجود دارد که می تواند این داده ها را از هم جدا کند
همه این ابرصفحه ها می توانند داده ها را به درستی طبقه بندی کنند اما طبقه بندی کننده با بیشترین حاشیه توانایی بیشتری در طبقه بندی داده ها دارد. ماشین بردار پشتیبان به دنبال یافتن یک ابرصفحه با حاشیه ماکزیمم است
شکل .3 مثالی از یک مسئله دو کلاسه با سه ابرصفحه جدا کننده
فرض کنید که یک مسئله دو کلاسه داریم:
که xi بردار ویژگی ها و yi کلاس متناظر با آن است. هدف یافتن یک ابرصفحه است که بتواند همه بردارهای آموزشی را به درستی طبقه بندی کند. این ابرصفحه می تواند به صورت زیر نوشته شود :
که w بردار وزن n بعدی و b بایاس می باشد. برای هر نمونه آموزشی - xi , yi - داریم :
بردارهای پشتیبان نزدیکترین داده های آموزشی به ابرصفحه می باشند. برای هر بردار پشتیبان، نابرابری بالا تبدیل به برابری می شود.
مسئله بالا یک مسئله بهینه سازی غیرخطی است. برای حل این مسئله می توان از روش های مختلفی در بهینه سازی ریاضی و ابتکاری استفاده نمود. برای تبدیل ماشین بردار پشتیبان خطی به غیرخطی، می توان از توابع کرنل استفاده نمود. به این منظور ابتدا بردار ویژگی ها با استفاده از تابع کرنل به فضای جدید نگاشت می شوند سپس یک ابرصفحه جداکننده خطی، داده ها را از هم جدا می نماید.
-3-2 تجمیع خودراه انداز
تجمیع خودراه انداز9 روشی برای بالا بردن دقت طبقه بندی کننده ها و پایدار کردن آن ها است. این روش ها باعث کاهش Overfitting مدل طبقه بندی خواهد شد. این الگوریتم ها به صورت زیر عمل می کنند.
در مرحله آموزش:
در هر تکرار t، t=1,...,T
· به طور تصادفی N نمونه را با جایگزینی از مجموعه داده های آموزشی انتخاب کن
· یک مدل طبقه بندی - در این پژوهش ماشین بردار پشتیبان - را بر روی نمونه های آموزشی انتخاب شده آموزش بده
در مرحله تست:
برای هر نمونه آموزشی جدید
· خروجی همه مدل های طبقه بندی که در قسمت قبل ساخته شد را محاسبه کن
· نتایج تمام مدل های طبقه بندی را با هم ترکیب کن - رای گیری حداکثر -
در این پژوهش، مدل طبقه بندی ماشین بردار پشتیبان انتخاب شده است.
-3 نتایج و بحث
برای انجام آزمایشات از روش hold out استفاده شده است. در روش hold out ، p% از داده ها برای آموزش و 1-p% از داده ها برای تست استفاده می شوند. مقدار p در این پژوهش 70 در نظر گرفته شده است به معنی اینکه %70 داده ها برای آموزش مورد استفاده قرار گرفته اند و %30 بقیه داده ها برای آموزش مورد استفاده واقع شده اند. این کار 10 بار تکرار شده است و میانگین و انحراف معیار 10 بار اجرا به عنوان معیار مقایسه در نظر گرفته شده است.
یکی از مهمترین پارامترها در ماشین بردار پشتیبان، تابع کرنل می باشد. به این منظور از 6 تابع کرنل استفاده شده است. این توابع کرنل به صورت زیر تعریف شده اند:
• کرنل نقطه ای: این کرنل به صورت زیر تعریف شده است:
• کرنل شعاع پایه : تابع شعاع پایه به صورت زیر می باشد:
• کرنل چند جمله ای: این کرنل به صورت زیر تعریف شده است
• کرنل عصبی : این کرنل به صورت یک شبکه عصبی دولایه tanh تعریف می شود
• کرنل اپاچنینکو: 10 این کرنل به صورت u2 - - 3 / 4 - - 1 تعریف شده است که u بین -1 و 1+ است .
• کرنل آنووا : این تابع به صورت زیر است:
نتایج طبقه بندی با استفاده از ماشین بردار پشتیبان و توابع کرنل بالا در جدول 2 و 3 نشان داده شده است.
