بخشی از مقاله
چکیده
سرطان سینه شایعترین نوع سرطان و یک عامل مهم مرگومیر در زنان است. در حال حاضر هیچ راه مشخص و مؤثری برای پیشگیری از این سرطان وجود ندارد، اما تشخیص آن در مراحل اولیهی پیشرفت، میتواند شانس بیمار را برای درمان افزایش دهد. در حال حاضر دقیقترین روش تشخیصی سرطان سینه، انجام ماموگرافی است. سیستمهای شناسایی توسط کامپیوتر، به رادیولوژیستها کمک میکنند تا بتوانند به سادگی تودهها را از روی تصاویر ماموگرافی تشخیص دهند.
در این مقاله، پس از پیشپردازش تصاویر ماموگرافی، جهت دستهبندی بافت، با استفاده از الگوی باینری محلی، ویژگیهایی از نواحی مشکوک استخراج، و به یک شبکهی عصبی هوشمند، که یک ماشین بردار پشتیبان - SVM - است، داده میشود. اگر ناحیهی مشکوک، توده تشخیص داده شود، آنگاه برای تشخیص خوشخیمی و یا بدخیمی آن، از طریق ماتریس هماتفاقی، دستهی دومی از ویژگیها استخراج، و به یک شبکهی عصبی دیگر، که یک شبکهی چرخشفورست است، داده میشوند. در این تجربه، با 120 تصویر ماموگرافی موجود در پایگاه داده، میزان حساسیت، تشخیص، و دقت سیستم پیشنهادی به ترتیب %99/04، %95/54، و %95/83 بدست آمد، که در مقایسه با دیگر روشها، این شاخصها بهبود پیدا کردهاند.
.1 مقدمه
بدن انسان از میلیاردها سلول تشکیل شده است. این سلولها در پاسخ به تحریکات داخلی و خارجی بدن، رشد و تولید مثل میکنند و در آخر میمیرند. اگر این فرایند در مسیر صحیح خود حرکت کند، بدن سالم میماند. اما مشکلات زمانی آغاز میشود که یک سلول دچار جهش، و یا تغییر شده، و به سلول سرطانی تبدیل میشود. در این حالت، سلولهای یک قسمت از بدن بطور غیر قابل کنترلی رشد میکنند، و به بافتهای مختلف هجوم میبرند. به مجموعهای از این سلولها، تومور و یا توده گفته میشود. در تحقیقات انجام گرفته، به دلایلی زیادی که کاملاً شناختهشده هم نیستند، در درصد قابل ملاحظهای از زنان، وضعیت سلولهای بافت سینه بصورت سرطانی، و عاملی مهم در از بین رفتن آنان میشود.
یکی از بهترین راههای تشخیص سرطان سینه، بخصوص در مراحل اولیهی بیماری، انجام ماموگرافی است. ماموگرافی یک نوع تصویربرداری مناسب برای کشف زودرس سرطانهای غیر قابل لمس سینه است. مشخصهی مهم این شیوهی پرتونگاری با اشعهی ایکس، تولید کنتراست بالا به کمک انرژیهای با دامنهی کم حدود 20 الکترون- ولت است، البته در هنگام تصویربرداری میبایست سینه بر روی سطحی افقی فشردهسازی شود.
با پرتاب اشعهی ایکس به عضو مورد نظر، بخشی از این تشعشعات متناسب با ماهیت بافت، جذب میشود و بخشی دیگر، از بافت عبور میکند، بنابراین با توجه به اینکه میزان خروج سیگنال از بافتهای سالم و سرطانی متفاوت است، میتوان سلامت بافت را بررسی کرد. جهت افزایش سرعت تشخیص سرطان سینه، و کمشدن خطاهای انسانی، از روش-های پردازش تصویر استفاده میشود. در کل سرطان سینه به دو دستهی تودهها - خوشخیم و بدخیم - ، و ذرات بسیار ریز آهکی تقسیم میشود. تودهی خوشخیم از لحاظ تصویری دارای حاشیههای یکنواخت، در حالی که تودهی بدخیم دارای حاشیههایی تیره و برجسته است و با گذشت زمان این حاشیهها بصورت سوزنیشکل در میآیند. همچنین ذرات بسیار ریز آهکی، ذرات بسیار کوچک کلسیم هستند که بصورت نقاط روشن در تصاویر ماموگرافی ظاهر میشوند.
در [1] ، روشی مبتنی بر استفاده از شبکههای BRF برای تشخیص سرطان سینه ارائه شده است. در این روش از خصوصیات آماری تصاویر ماموگرافی استفاده شده و شناسایی تودهها تا حد قابل قبولی موفق بوده است. برای اولین بار جهت تشخیص خودکار سرطان سینه در تصاویر ماموگرافی، از شبکهی عصبی ماشین بردار پشتیبان استفاده شد
در این روش جهت انجام پیشپردازش، از فیلتر میانه استفاده، و پس از استخراج ویژگیها بر اساس شدت روشنایی بافت مشکوک، وجود یا عدم وجود سرطان سینه، توسط شبکهی دستهبندیکنندهی ماشین بردار پشتیبان مشخص شده است. پس از تعیین ناحیهی مشکوک به کمک فیلتر،و اِعمال تبدیل موجک برای بهبود کیفیت، ویژگیهای آنتروپی، میانگین، و واریانس ضرایب تعریف، و شبکهی دستهبندیکنندهی ماشین بردار پشتیبان جهت تشخیص سرطان سینه بکار گرفته شد .[3,4] یک شبکهی دستهبندیکنندهی ترکیبی الگوریتم ژنتیک و ماشین بردار پشتیبان تعریف، و برای انتخاب ویژگیها، از اطلاعات بافت تصویر استفاده شد
به دلیل شایع بودن سرطان سینه در بین زنان، ارائهی یک الگوریتم پردازش تصاویر ماموگرافی سریع و با کمترین مقدار خطا، میتواند راهگشا باشد. بطور خلاصه ایدهی اصلی این مقاله، ارائهی یک ساختار ترکیبی برای تشخیص سرطان سینه به کمک تبدیل موجک و شبکهی عصبی مصنوعی هوشمند ماشین بردار پشتیباناست. در ادامه و در بخش دوم، جزئیاتِ سیستم پیشنهادی جهت تشخیص توده در تصاویر ماموگرافی مورد بررسی قرار میگیرد. در بخش سوم، تجربیات عملی بدست آمده از این تحقیق، و در بخش چهارم، نتیجهگیری و پیشنهادات آورده شده است.
.2 سیستم تشخیص تودهی پیشنهادی
کاهش زمان در پیادهسازی و اجرا، بالا بردن دقت و اعتبار تشخیص ناحیهی توده به کمک استخراج ویژگی در حوزهی موجک، و استفاده از شبکهی دستهبندیکنندهی ماشین بردار پشتیبان، از جمله مواردی میباشد که در این پژوهش مورد نظر قرار گرفته است. شکل 1 بلوک دیاگرام کلی سیستم پیشنهادی این مقاله را نشان میدهد.
شکل -1 بلوک دیاگرام کلی سیستم پیشنهادی
در بخش تصویربرداری ماموگرام، این سیستمشامل اَدواتِ تولید و آشکارسازی اشعهی ایکس است. میزان سیگنال آشکارشده بصورت تصویری با سطوح خاکستری و نسبت سیگنال به نویز کم ظاهر میشود. میتوان حذف نویز اسپکل را با استفاده از فیلترهای تطبیقی انجام داد
در خروجی بخش حذف نویز اسپکل، تصویری با کیفیت و کنتراست بالاتر بدست می آید ، و ورودی بهینهتری برای مراحل بعدی فراهم میشود. قطعهبندی برای استخراج معنیدار اشیاء از تصاویر استفاده میشود. این کار به سه روش آستانهگذاری هیستوگرام، کانتور فعال، و رشد ناحیه، انجام میگیرد. در کل مجموعهی بخشهای پیشپردازش و قطعهبندی، شامل چهار مرحلهی؛ حذف قسمتهای اضافی - اعم از زمینه، برچسبهای احتمالی، و ماهیچهی بالای قفسهی سینه - ، بهبود کیفیت جهت بالا بردن وضوح تصویر، استخراج نواحی مشکوک و محدود کردن ادامهی پردازش به آنها، و در صورت نیاز بزرگنمایی با کیفیت است. به دلیل اندازهی بزرگ تصاویر ماموگرام، و بالا بودن حجم محاسبات لازم برای یافتن مکان تودهها، پردازش تمام سطح ماموگرام کاری زمانبر است. بنابراین، کاهش نواحی مورد بررسی، اگر بدون از دستدادن اطلاعات با ارزش انجام گیرد، به افزایش سرعت، و کاهش حجم محاسبات، کمک شایانی خواهد کرد.
تومورها در تصاویر ماموگرافی بصورت یک توده با روشنایی بالا ظاهر میشوند، پس نواحی تیرهتر با سطوح خاکستری پایین، نیازی به پردازش ندارند. در اولین مرحلهی استخراج نواحی مشکوک، از روش آستانهگذاری روی هیستوگرام لگاریتم انرژی تصویر استفاده شده است. اما مسئله به همین سادگی نیست، چرا که پسزمینهی تومورها متفاوت است، به این معنا که تعریف یک مقدار آستانه، یا حتی یک تابع آستانه، برای همهی تصاویر و یا حتی یک تصویر، نتیجهی قابل قبولی را بدست نمیدهد. در برخی از نمونهها، تومورها به شکل یک جسم سخت، خود را روی نواحی با چگالی بیشتر مخفی میکنند و یا مانند یک بخش کروی در بافتهای چربی بوجود می-آیند. همچنین گاهی اوقات یک تعداد ذرهی کلسیم نیز در توده وجود دارد. بافت سینهی برخی افراد تودهای است و ممکن است اینگونه بافتها با تومور اشتباه گرفته شوند.
در این حالت، چون بافتها از روشنایی بالایی برخوردار هستند، لذا زمانی که تومور در کنار و یا درون این بافتها ظاهر شود، حاشیهی تومور کمتر مشخص بوده، و تشخیص مشکلتر میشود. ناحیهی مشکوک، ناحیهای است که بعد از آستانهگذاری باقی مانده است، اما در واقع برخی از این موارد نه تنها مشکوک نبوده، چه بسا کاملاً سالم باشند. بنابراین جداسازی تومورها در تصاویر ماموگرافی بطور دقیق آسان نیست. پس بهتر آن است که مطالعه و تحقیق بیشتری انجام شود و نواحی مشکوک، محدودتر و تومورهای احتمالی، مشخصتر شوند.
برای نیل به این هدف، از برخی ویژگیهای دیگر تومورها استفاده میشود. به عنوان مثال، ویژگیهای بافت در داخل تومور یکسان است، یعنی در داخل تومور تغییرات در بافت بسیار نامحسوس است. به عبارت دیگر، واریانس در این نواحی کم، و دامنهی فرکانسهای بالا نزدیک به صفر است. همچنین با خارجشدن از محدودهی تومور، روشنایی
و ویژگیهای بافت تغییر میکند. به این ترتیب میتوان گفت که مرز تومورها با ماکزیمم مقدار مشتق سطح خاکستری، منطبق می-شود و در مرز تومورها، میزان انرژی بالا است.
برای یافتن نوع توده، ابتدا از نواحی مشکوک بدست آمده از آستانهگذاری، تبدیل موجک گرفته میشود. در ماتریسهای حاصل، باید مناطقی دنبال شود که در داخل، فرکانس آنها نزدیک به صفر، و در لبه، فرکانسهای بالا داشته باشند. از آنجایی که هدف این پژوهش، این است که تومورها در حوزهی موجک استخراج، و در نهایت این نواحی در تصویر اصلی مشخص شوند، بهتر است طوری عمل شود که اندازهی هر زیر- کانال در تبدیل موجک برابر با اندازهی تصویر اصلی باشد تا منطبقکردن نقاط و پیکسلها با هم، پس از پردازش، به سادگی صورت گیرد.
حال که هر تصویر به تعدادی ناحیهی مشکوک تقسیم شد، هر کدام از این نواحی به عنوان یک نمونهی ورودی در نظر گرفته، و ویژگیهایی از آنها استخراج میشود. از آنجایی که هر ناحیه به عنوان یک نمونهی ورودی است، پس نواحی مشکوک موجود در یک تصویر، باید از هم جدا شوند. بنابراین باید به هر کدام از نواحی متصلبههم که یک شیء محسوب میشوند، یک برچسب اختصاصی داده شود. به این دلیل که در برخی تصاویر تعداد نواحی مجزا زیاد است و بسیاری از آنها از کمینهی اندازهی تومور کوچکترند، بنابراین از هر تصویر، چند ناحیه از بزرگترین اندازههای موجود، به عنوان نواحی مشکوک نهایی انتخاب میشود - بصورت تجربی 9 ناحیه - . از این مناطق ویژگیهایی، مانند روشنایی، مشتق، شکل، و بافت، استخراج میشود.
پس از انتخاب فاصله و جهت مناسب، و تشکیل ماتریس هماتفاقی، باید به دنبال استخراج ویژگیهایی، مانند ماتریس همبستگی، خودهمبستگی، کنتراست، تجانس، آنتروپی، انرژی، بیشینهی احتمال، میانگین، واریانس و آنتروپی مجموع، برجستگی خوشه، و سایهی خوشه، بود که متمایزکنندهی یک دسته از دیگری باشند. در این پژوهش، از یک شبکهی دستهبندیکننده برای تشخیص محل تومورها، و یک شبکه دیگر برای دستهبندی خوشخیمی و بدخیمی آنها استفاده شده است.
.3 تجربیات عملی
برای تشخیص توده، ویژگیهای بدست آمده از الگوی باینری محلی یکنواخت، به شبکههای دستهبندیکنندهی مختلفاِعمال شد - جدول . - 1 برخی از تنظیمات این شبکهها به این قرار است؛ ماشین بردار پشتیبان با هستهی خطی و 0 5 ، آدابوست با 10 تکرار و دستهبندی درونی با درخت تصمیمگیری یکلایه، پرسپترون چندلایه با 500 دور، نرخ یادگیری 0/3، مومنتوم 0/2، و تعداد 20 گره در لایهی مخفی، و شبکهی بیز با الگوریتم جستجوی تپه نوردی.
