بخشی از مقاله
تشخیص بیماری MS با استفاده از پردازش تصاویر پزشکی
چکیده بیماری ام اسMS بیماری است که سیستم اعصاب مرکزی را تحت تاثیر قرار میدهد. در نتیجه این بیماری مناطق متعدد اسکار بافتی به نام اسکلروزممکن است ظاهر شود. تصویربرداری MRI یک معاینه اولیه مکمل برای نظارت و تشخیص مولتیپل اسکلروزیس (MS) است. تقسیم بندی ضایعات مولتیپل اسکلروزیس (MS) از تصاویر مغز MR در تشخیص این بیماری مهم است و تشخیص و تجزیه و تحلیل این ضایعات از تصاویر مغز MR معمولا وقتگیر، گران قیمت است. بنابراین، روش های اتوماتیک و نیمه اتوماتیک برای تقسیم بندی ضایعات MS توصیه می شود. به دلیل اهمیت این موضوع در این پژوهش روشی بدون سرپرستی برای تشخیص و جداسازی ضایعه MS در بافت مغزی پیشنهاد شد. در این پژوهش ابتدا تصاویر مختلف رجیستر شدند تا یکسان سازی شده و قابل مقایسه شوند. سپس از تصاویر ویژگیهایی براساس ماتریس هم رخدادی استخراج شد و بررسی شد که در نهایت ویژگیهای همگنی، کنتراست، آنتروپی و انرژی از تصویر و تبدیل موجک تصویر انتخاب شدند. سپس این ویژگیها به شبکه عصبی داده شدند و تصاویر دارای ضایعه تشخیص داده شدند. در ادامه کار با استفاده از تصاویر T1 و T2و روش خوشه بندی جدیدی که از ترکیب روش فازی و بیشینه سازی احتمال پسین برای این کار پیشنهاد شده بود، مایع مغزی نخاعی از تصاویر استخراج شدند و ضایعه MS بدست آورده شد. در نهایت نتایج نشان داد که روش پیشنهادی به نتیجه مطلوبی منجر شد و در مقایسه با خوشه بندی فازی نیز دارای خطای کمتری است.
واژگان کلیدی: تصویر برداری تشدید مغناطیسی، ضایعه ام اس، خوشه بندی فازی، بیشینه سازی احتمال پسین
-1 مقدمه
مالتیپل اسکلروزیس یا ام- اس یک بیماری مزمن و تخریبی اعصاب میباشد که روی سامانه اعصاب مرکزی مغز، نخاع و اعصاب بینایی تأثیر می گذارد.[1] به صورت کوتاه می توان گفت ام- اس؛ التهاب در برخی از نواحی ماده سفید سامانه اعصاب مرکزی در لکههای تصادفی که پلاک نام دارد، رخ میدهد. این موضوع منجر به تخریب میلین (ماده پروتئینی ـ چربی) که محافظ فیبرهای سلول عصبی در مغز و نخاع میباشد، میشود.[2] میلین باعث جابه جایی پرشتاب و یک پارچه پیامهای الکتروشیمیایی بین مغز، نخاع و بدن میشود هنگامی که میلین آسیب میبیند، جابجائی عصبی پیامها کندتر میشود و منجر به کاهش عملکرد میشود. ام- اس به عنوان یک بیماری خود ایمنی در نظر گرفته میشود. سامانه ایمنی به میلین و سلولهای الیگو دندروسیتها که میلین را میسازند، حمله میکنند . اعتقاد بر این است که سه عامل در به وجود آمدن این بیماری نقش دارند: عوامل ژنتیکی، عوامل ژنتیکی، سیستم ایمنی.4]،[3
تصویربرداری MRI یک معاینه اولیه مکمل برای نظارت و تشخیص مولتیپل اسکلروزیس (MS) است. تقسیم بندی ضایعات مولتیپل اسکلروزیس (MS) از تصاویر مغز MR در تشخیص این بیماری مهم است. با این حال، تشخیص و تجزیه و تحلیل این ضایعات از تصاویر مغز MR معمولا وقتگیر، گران قیمت است. بنابراین، روش های اتوماتیک و نیمه اتوماتیک برای تقسیم بندی ضایعات MS توصیه می شود6]،.[5
تصویر یک ضایعه MS در تصاویر MRIدرشکل شماره 1 نشان داده شده است.
شکل- 1 تصویر MRI از سیستم اعصاب مرکزی نشان دهنده ضایعه MS
2
-2رجیستر کردن:
اولین مرحله پژوهش رجیستر کردن تصاویر است. در این پژوهش با در نظر گرفتن 16 نقطه روی تصویر رجیستر کردن تصاویر انجام شد. در شکل 2 نیز نمونه هایی از تصاویر رجیستر شده در این پژوهش نشان داده شده است.
شکل 1 نمونه ای از تصاویر رجیستر شده در این پژوهش(از چپ به راست: تصویر پایه، تصویر ورودی، تصویر رجیستر شده)
-3استخراج ویژگی
پس از یکسان سازی تصاویر باید از تصاویر یکسان شده ویژگی مناسب برای دسته بندی استخراج شود. همانطور که بیان شد ویژگی های در نظر گرفته شده در این پژوهش، کنتراست، همگنی، انرژی، آنتروپی می باشند.
این ویژگیها، ویژگیهای معمولی هستند که از ماتریس هم رخدادی استخراج می شوند. در این پژوهش، سه دسته ویژگی به صورت زیر در نظر گرفته شدند:
✓ ویژگیهای استخراج شده از ماتریس هم رخدادی تصویر اصلی
✓ ویژگیهای استخراج شده از ماتریس هم رخدادی تبدیل ویولت تصویر
✓ ویژگیهای استخراج شده از ماتریس هم رخدادی تصویر اصلی و ماتریس هم رخدادی تبدیل ویولت تصویر
-4 دسته بندی تصاویر
برای دسته بندی تصاویر با استفاده از ویژگیهای استخراج شده، از شبکه عصبی استفاده میشود. همانطور که بیان شد، سه دسته ویژگی استخراج شد. برای رسیدن به ساختار مناسب شبکه عصبی نیز حالتهای مختلفی برای ساختار مناسب شبکه عصبی برای هر سه دسته ویژگی بررسی شد که نتایج انها در شکل زیر آورده شده است.ویژگیهای استخراج شده از ماتریس هم رخدادی تصویر اصلی در نمودار1 نشان داده شده است.
نتایج برای تعداد مختلف لایه میانی با استفاده از ویژگیهای استخراج شده از ماتریس هم رخدادی تبدیل ویولت تصویر در نمودار 2نشان داده شده است.
نتایج برای تعداد مختلف لایه میانی با استفاده از ویژگیهای استخراج شده از ماتریس هم رخدادی تصویر اصلی و تبدیل ویولت تصویر در نمودار 3 نشان داده شده است.
همانطور که در نتایج دیده می شود، بهترین نتیجه با استفاده از ویژگیهای استخراج شده از ماتریس هم رخدادی تصویر اصلی و تبدیل ویولت تصویر بدست میآید و ساختار مناسب شبکه عصبی دو لایه با 7 و 6 نرون میانی است. که به دقت حدود %86 میرسد.
-5 جداسازی ضایعه MS
برای تشخیص ضایعه MS از تصاویر T1 و T2 به صورت همزمان استفاده شد. در شکل زیر یک نمونه تصاویر T1 و T2 از یک تصویر دارای ضایعه MS نشان داده شده است.
شکل 3 یک نمونه تصاویر T1 و T2 از یک تصویر دارای ضایعه MS که در این پژوهش استفاده شده است.
همانطور که در شکل 3 دیده میشود، در تصویر T2 کنتراست بین ضایعه MS و CSF زیاد نیست بنابراین با استفاده از یک روش خوشه بندی میتوان تصویر را به 4 قسمت تقسیم کرد که این 4 قسمت شامل ((پس زمینه))، ((ماده خاکستری))، ((ماده سفید)) و(( CSFو MS ))تقسیم کرد. به طریق مشابه تصویر T1 را نیز میتوان به 4 قسمت تقسیم کرد که به دلیل کنتراست بین CSF و MS این دو جدا از هم قرار میگیرند.
برای خوشه بندی در این پژوهش از الگوریتم روش FCM+MAP استفاده شده است. این روش ترکیب روش خوشه بندی فازی FCM و بیشینه سازی احتمال پسین MAP است که به صورت زیر عمل میکند.
روش خوشه بندی فازی FCM پر کاربرد ترین الگوریتم برای تشخیص بخشهای فازی میباشد. در این روش میزان عضویت یا تعلق هر شی داده به هرخوشه، در ماتریس عضویت
