بخشی از مقاله
چکیده
در این مقاله، روش جدیدي براي طبقه بندي1 وتشخیص اختلال کمتوجهی - بیش فعالی - 2 - ADHD ارائه شده است. در این روش، دسته بندي بر اساس اطلاعات ریخت شناسی3 با استفاده از دادههاي تصویر برداري با تشدید مغناطیسی - 4 - MRI انجام شده است. پیش پردازش5 ، در این سیستم با استفاده از جعبه ابزار نرم افزار متلب به نام - SPM - ٦ نسخه هشتم، که تصاویر با اطلاعات مفید را ارائه میدهد انجام شده است. استخراج ویژگی ٧، با استفاده از روش الگوهاي دودویی محلی - - LBP٨ بافت٩ تصویر، مورد استفاده قرار داده میشود.
پس از پیش پردازش و استخراج ویژگی از بافت تصاویر، با استفاده از الگوهاي دودویی محلی، هیستوگرامهاي تصاویر حاصله تولید میشود. در نهایت پس از تشکیل فضاي ویژگی و انتخاب ویژگیهاي١٠ مناسب، براي طبقهبندي و جداسازي افراد، با استفاده از ماشینهاي بردار پشتیبان - - SVM١١ و بر اساس یک مدل مبتنی بر رايگیري اقدام به دستهبندي تصاویر در دو گروه بیمار وسالم نمودهایم. نتایج حاصل از آزمایشات تجربی دلیلی بر اثبات دقت قابل قبول بدست آمده از این روش میباشد. این روش، طبقه بندي افراد در دو کلاس بیمار و سالم را براي اولین بار با پیچیدگی محاسباتی پایینتري انجام میدهد.
کلمات کلیدي کم توجهی بیشفعالی، تصاویر - - MRI، الگوهاي دودویی محلی، ریختشناسی، بافت تصویر، بردارهاي ماشین پشتیبان
مقدمه
اختلال کم توجهی - بیش فعالی یک اختلال بالینی ناهمگن12 و یک عارضه چند فاکتوري است که در میان کودکان سراسر دنیا بسیار شایع است. معمولاً این کودکان توانایی دقت و تمرکز بر روي یک موضوع را نداشته، یادگیري در آنها کند است و کودك از فعالیت بدنی غیر معمول و بسیار بالا برخوردار است. این اختلال با فقدان توجه، فعالیت بیش ازحد، عدم تمرکز یا ترکیبی از این موارد همراه است .
از هر 100 کودك 5 تا 10 کودك به این عارضه مبتلا هستند و در بزرسالان از هر 100نفر 4 نفر از بیش فعالی رنج میبرند. پسران 3 برابر بیش از دختران در معرض ابتلا قرار دارند ولی علت این تفاوت هنوز مشخص نشده است. اغلب این مشکلات قبل از 7 سالگی آغاز می شوند و ممکن است والدین تا وقتی که فرزندشان بزرگتر نشده متوجه مشکل او نگردند. تاثیر منفی بیش فعالی در بیماران، خانوادههایشان و جامعه، یک مشکل عمومی براي سلامت جامعه به وجود میآورد .
تحقیقات اخیر نشان داده است که برخی از معیارهاي بیش فعالی در توصیف ذهنی توسط والدین یا معلمان کودك است و با این حال هنوز یک نرم افزار یا یک ابزار مشاهدهي بیولوژیکی مفید براي تشخیص بیش فعالی وجود ندارد .عواملی مانند جنس و سن نقش مهمی در بیش فعالی دارد، این عوامل پیچیدگی ساخت یک ابزار تشخیص را بالا میبرد وساخت یک مدل دستهبندي و طبقه بندي کارآمد براي بیش فعالی را به چالش میکشد .
مطالعه ي برجستهاي در سال 1996در موسسهي ملی سلامت روان انجام شد مبنی بر اینکه دو بخش از مغز که تصور میشود تنظیم توجه و فعالیت-هاي ارادي را به عهده دارند، در کودکان مبتلا به بیش فعالی کوچکتر از حد معمول هستند.از آن موقع تاکنون فن آوري هاي تصویر برداري از مغز پیشرفت کرده است و بسیاري از مطالعات دیگر تفاوت میان مغز کودکان مبتلا به بیش فعالی و سایر کودکان را اثبات کردهاند، از جمله مطالعه سال 2007 که نشان داد مغز کودکان مبتلا به بیش فعالی به همان شیوه مغز سایر کودکان بالغ می شود اما این روند تا 3 سال بعد ادامه مییابد.
دادههاي MRI که نوعی تصویر برداري بدون خطر براي کودکان است، براي تشخیص اختلال ببیش فعالی در کودکان مفید است. استفاده از این نوع تصویر برداري در علم پردازش تصویر داراي اهمیت زیادي است. در واقع استفاده از دادههاي MRI و همینطور پردازش و ارائهي مدلهاي ریاضی براي تشخیص سریع اختلال بیش فعالی توسط یک سیستم هوشمند کامپیوتري در حوزه بینایی ماشین داراي اهمیت بسیار بالایی است .
به این ترتیب پزشک میتواند با استفاده از این سیستم هوشمند با قطعیت بیشتري این اختلال را تشخیص دهد. در جایی که تردیدي در مورد یک بیمار وجود دارد ک ه دچار اختلال بیش فعالی است یا دیگر اختلالات روانی، این سیستم به پزشک کمک میکند. این کمک در تشخیص دقیق بیماري و هم ینطور تعیین نوع دارو توسط پزشک متخصص و مقدار و دز دارو داراي اهمیت بسیار زیادي است.
در این مقاله از دادههاي MRI مغزي که داراي وضوح و کیفیت بالایی است، استفاده میکنیم. این تصاویر مغزي اسکن شده که توسط دانشگاهها و مراکز و موسسات مطالعات کودکان داراي اختلال بیشفعالی در مقیاس بالا و بیسابقهاي جمع آوري شده است که از طریق سایت اینترنت در دسترس است.در این سایت فرصتی مهم براي محققان در سراسر دنیا ایجاد شده تا تغییرات مغزي در افراد بیش فعال را بر اساس تصاویر MRI مغزي متعدد مطالعه کنند.
در یکی از مطالعات انجام شده از تصاویر MRI براي تشخیص بیش فعالی، با استفاده از الگوهاي دودویی محلی در سه صفحه متعامد براي استخراج ویژگی در جه ت طبقهبندي براساس بافت تصویر استفاده کرده است. بعد از استخراج ویژگی، براي جدا کردن افراد سالم از ناسالم از ماشین بردار پشتیبان استفاده کرده اس ت که 436 نفر 210 - نفر بیمار و 226 نفر سالم - بررسی شدهاند. با استفاده از اطلاعات ریخت شناسی بدست آمده از بافت مغز بالاترین دقت بدست آمده در تشخیص اختلال %69 است .
در حوزه بینایی ما شین روش LBP، روش موثر و قوي براي استخراج ویژگی اطلاعات از ریخت شناسی بافت تصویر است . به تازگی تحقیقاتی مبنی بر استفاده از LBP براي استخراج ویژگی از تصاویر پزشکی دیده شده است .ساختار این مقاله به این صورت است: بعد از مقدمه، در بخش دوم روش استفاده شده در پیشپردازش ارائه شده است. در بخش سوم روش استخراج ویژگی و استخراج هیستوگرام و بردار ویژگیها شرح داده شده است. در بخش چهارم روش انتخاب ویژگی و در بخش پنجم دستهبندي و طبقهبندي دادهها توضیح داده شده است و در بخش ششم نتایج پیادهسازي و نتیجه گیري نهایی مورد بحث قرار گرفته است.
مراحل تشخیص اختلال کمتوجهی بیشفعالی
براي روشهاي پیشنهادي در این تحقیق ، در ابتدا در مرحله پیشپردازش تصاویر مغزي با استفاده از جعبه ابزار SPM در نرم افزار متلب کیفی ت تصاویر را بالا میبریم. در مرحله استخراج ویژگی با استفاده از الگوهاي دودوئی محلی ویژگیهاي تصاویر را استخراج میکنیم. در مرحله انتخاب ویژگی ویژگیهاي مفید تصاویر را انتخاب میکنیم و در نهایت با استفاده از کلاسهبند SVM اقدام به جداسازي و تشخیص افراد سالم از بیمار میکنیم.
پیش پرد ازش تصاویر مغزي
تصاویر موجود در پایگاه داده که از مغز گرفته شدهاند به صورت صفحات تصویري پشت سر هم چیده شدهاند. این تصاویر که از بالاترین نقطه سر گرفته شدهاند، تا پایینترین نقطه ادامه دارند. در واقع تصاویر گرفته شده از اسلایدهاي ب دون تصویر مغز شروع میشوند و به تدریج شکل مغز در آنها به صورت یک نقطه بزرگ و بزرگتر میشود و هنگامیکه برشها به وسط سر میرسند شکل کامل مغز دیده میشود. وقتی برشها پایینتر میروند دوباره شکل کاممل مغز کوچکتر میشود.
به صورت شهودي و تجربی میتوان گفت که تقریبا یک چهارم تصاویر ابتدایی و انتهایی حاوي اطلاعات زائد و غیر مفیدي میباشند ونمیتوان از آنها به خوبی براي استخراج ویژگی استفاده کرد. در اینجا با استفاده از جعبه ابزار SPM در نرم افزار متلب حواشی اضافی تصاویر حذف م یشود و برشهاي حاوي تصاویر کاملا واضح با اطلاعات مفید مغز را که میتوان به خوبی از آنها استخراج ویژگی کرد را با کمک این جعبه ابزار دریافت می کنیم.
در مرحله پیش پردازش در SPM، در عمل پیش پردازش، این جعبه ابزار عمل نرمال سازي را روي تصاویر انجام میدهد و تصویر اسکن مغز را به قالب استاندارد اسکن T1، که یک الگو وقالب استاندار میباشد نگاشت میکند که حاصل آن تصاویر بدون حاشیه نویزي از مغز افراد سالم و بیمار می باشد.نمونههایی از تصاویر نویزدار و معمولی مغز بدون هیچ پیش پردازشی نشان داده شدهاند که شکلهاي بالا شکلهاي نویزدار و شکلهاي برشهاي عادي مغز هستند که هیچگونه پیشپردازشی در هیچ کدام انجام نشده است.
شکلهاي بالاشکلهاي نویزدار و پایین شکلهاي عادي
نمونههایی از تصاویر مغزي بعد از پیش پردازش نشان داده شده است. همان طور که در شکل مشخص شده شکلها نرمال شده و حاشیههاي اضافی آن حذف شدهاند. تمامی تصاویر به صورت کاملا واضح و با کیفیت بالا و آماده براي استخراج ویژگیاند.8 پیکسل همسایه مقدارش از مقدار شدت روشنایی پیکسل مرکزي بزرگتر یا مساوي باشد با یک جایگزین میشود در غیر این صورت مقدار آن صفر است. در پایان مقدار شدت روشنایی پیکسل مرکزي با جمع کردن مقدار وزندار باینري پیکسلهاي همسایه بدست میآید و این پنجره به پیکسلهاي مجاور منتقل م یشود. با گرفتن هیستوگرام از کل تصویر بدست آمده توصیف کنندهاي براي بافت تصویر بدست میآید. عملگر الگوي دودویی محلی را نشان میدهد. چگونگی انجام مراحل و مقدارگذاري پیکسل مرکزي توضیح داده شده است.
شکلهاي نرمال شده بعد از پیشپردازش با SPM
استخراج ویژگی در این مرحله، از تصاویر حاصل شده بعد از مرحله پیش پردازش گفته شده، اطلاعات و ویژگیهاي تتصاویر را با استفاده از روشی که در زیر توضیح داده شده استخراج میکنیم. الگوهاي دود ویی محلی روش LBP یکی از روشهاي مناسب براي توصیف بافت تصویر است، که از آن براي اس تخراج ویژگی در جهت طبقهبندي بر اساس بافت تصویر استفاده میشود. این روش در سالهاي اخیر به طور گستردهاي در کاربردهاي مختلف استفاده شده است.
جداس ازي مناسب، تغییر ناپذیري در برابر تغییرات سطح خاکستري ، مقاوم بودن در برابر تغییرات روشنایی، کارایی و سادگی محاسبات، از ویژگی هاي مهم این روش تحلیل بافت تصویر است. تصاویر مغزي از ترکیب چند ریزالگو تشکیل شده است، بنابراین به خوبی با این روش قابل توصیف میباشد. توصیف عملگر الگوهاي دودویی محلی عملگر الگوي دودویی محلی که روشی قوي براي آنالیز بافت تصویر به حساب میآید اولین بار توسط اوجالا و همکارانش به صورت یک عملگر مربعی 3×3 مطرح شد .در این روش شدت روشنایی 8 همسایگی روي عملگر را با شدت روشنایی پیکسل مرکز ي مقایسه میکنند.
