مقاله تشخیص تومرهای مغزی بر مبنای قطعه بندی سلسله مراتبی

بخشی از مقاله

چکیده

در این مقاله یک روش کارا بر پایه ی الگوریتم های سلسله مراتبی و با استفاده از ویژگی های ساده برای شناسایی محدوده ی تومرهای مغزی در عکس های تشدید مغناطیسی ارایه شده است. روش پیشنهادی در دو مرحلهی کلی کار را پیش میبرد. در مرحلهی پیش پردازش، روندی دنبال می شود تا جزئیات موجود در عکس به طور تقریبی حذف گردند.

سپس، با انتخاب ویژگی های مناسب، هر پیکسل را به یک فضای سه بعدی انتقال می دهیم. الگوریتم سلسله مراتبی تجمعی تک پیوندی3 در این فضای سه بعدی اعمال می گردد و بر حسب معیار فاصله ای که در نظر گرفته می شود، پیکسل های شبیه به هم را دسته بندی می کند. انتخاب پارامترهای روش به وسیله ی روش ازدحام ذرات4 انجام می شود. نتایج حاصل نشان از قوت روش پیشنهادی در مقابل روش های رقیب دارد.

.1  مقدمه:

در سالیان اخیر تحلیل تصویربرداری پزشکی مبتنی بر تصاویر تشدید مغناطیسی برای مطالعه تومورهای مغزی، به سبب نیاز وافر به ارزیابی هدفمند و کارآمد مقادیر زیاد داده ای، توجهات را به خود جلب نموده است. در حالی که دیدگاه های پیشگام قابل کاربرد در روش های خودکار5 برای تحلیل تصاویر تومور مغزی تقریبا به دو دهه قبل بازمی گردند؛ روش های فعلی بالغ تر و به کاربرد کلینیکی معمول نزدیک تر می شوند.

می توان انتظار داشت تلاش های فعلی برای ثبت و قطعه بندی تصاویر مغزی حاوی تومور در پروتکل های تصاویر تشدید مغناطیسی استاندارد، شیوه های کلینیکی معمولی را در چند سال آینده رواج بدهند. به منظور تحقق این امر، اثبات نیرومندی روش ها الزامی است. این پیشرفت احتمالا با ارزیابی روش ها به وسیله ی پاسخ تومور به درمان سوق داده می شود. با این وجود، بایستی بررسی کرد چگونه روش های خودکار می توانند به تاثیرات درمان و پیشروی کاذب یا پاسخ کاذب بر نتیجه بخش بندی بپردازند که برای آزمایشات کلینیکی نیز جالب خواهد بود.

از سوی دیگر، هدفمندی روش های خودکار در بخش بندی تومور بدیهی است و Angelini و همکارانش [2]، از این نکته در اولین مطالعه جامع داده های طولی تومور مغزی استفاده کرده اند. احتمالا این روند تحقیقی در آینده بیشتر کاوش خواهد شد.

همان طور که مشخص است، کار بر روی تصاویر تشدید مغناطیسی به مرور ادامه دارد. این مقاله نیز سعی در گام گذاشتن در این راه و ارایه ی روشی بر جهت تشخیص تومورهای مغزی دارد. روشی که در این پژوهش ارایه خواهد شد، جزء دسته ی روش های کاربرد الگوریتم های خوشه بندی در قطعه بندی تومورهای مغزی خواهد بود.

.2 پیشینه ی تحقیق:

طبقه بندی مستلزم آموزش 6 داده ها جهت یادگیری یک مدل طبقه بندی است که برمبنای آن نمونه های جدید می توانند برچسب گذاری شوند. از سوی دیگر، خوشه بندی به شیوه ای غیرنظارتی کار می کند و داده ها را برمبنای معیارهای شباهت خاص گروه بندی می کند. خوشه بندی در اجتماع بخش بندی تومور مغزی توسط Schad و همکارانش [3] معرفی شد که الگوهای بافتی مربوط به بافت های مختلف را تحلیل می کردند.

Phillips و همکارانش [4] خوشه بندی بر مبنای ابزار فازی را بکار گرفتند. [5]Vaidyanathan این مورد را با خوشه بندی -kنزدیکترین همسایگی برای تعیین حجم تومور در طی درمان بر قطعات تصویر دو بعدی چندطیفی مقایسه کرد. Clark و همکاران[6]، از همان گروه، این دیدگاه را توسعه دادند تا تکنیک های دانش بنیان را به کار بگیرند. بعدها، Fletcher-Heath و همکاران[7] نیز خوشه بندی فازی با تکنیک های دانش بنیان را برای بخش بندی تومور مغزی از تصاویر تشدید مغناطیسی چندترتیبی ترکیب کردند.

مدل های تغییر پذیر می توانند مورد استفاده قرار گیرند تا محدودیت های شکل را بعد از طبقه بندی بافت پیشین اعمال کنند. Cobzas و همکارانش [8]طبقه بندی بافت را با استفاده از یک مجموعه ویژگی چندبعدی با تکامل سطح-مجموعه ترکیب کردند. Popuri و همکارانش[9] یک دیریکله را پیش از دیدگاه قبلی اعمال کردند تا تومور را از بافت های سالم بهتر نشان دهند.

Khotanlou و همکارانش [10@ویژگی های تقارن مغز و خوشه بندی فازی را با تکامل سطح-مجموعه ترکیب کردند. Hamamci و همکارانش الگوریتم برش تومور را معرفی کردند[11]که بخش بندی تومور را با استفاده از آدم ماشینی های سلولی با تکامل سطح-مجموعه بر نقشه احتمالاتی تومور جهت اعمال ملایم سازی فضایی ترکیب می کند.

ارتباطات مجاورت اغلب برای تنظیم فضایی بعد از طبقه بندی وکسلی اولیه مورد استفاده قرار می گیرند. در بیشتر موارد، این امر با یک روش میدانی تصادفی7 - میدان های تصادفی مارکوف[12] 8یا میدان های تصادفی شرطی - [13]9 انجام می شود. در سالیان اخیر، الگوریتم هایی برمبنای برخی فرم های برش گراف برای بخش بندی [14]به طور فزاینده ای معمول شده اند.

این الگوریتم ها از ویژگی های منطقه ای به وسیله ی فرمول بندی ارتباطات مجاورت به عنوان مساله مینیمم کننده انرژی استفاده می کنند که توسط روش های بهینه سازی برش گراف حل می شود و نتیجه به عنوان مساله بخش بندی تفسیر می شود. در موارد بسیاری، این روش ها به ورودی های فراهم شده توسط کاربر نیاز دارند. به همین دلیل است که این دیدگاه ها اغلب نیمه خودکار هستند.

از آنجا که استفاده از عکس های دوبعدی تشدید مغناطیسی به شدت کاربرد بالاتری را نسبت به عکس های سه بعدی به خود اختصاص داده اند؛ تمرکز این مقاله روی عکس های دوبعدی قرار گرفته است. نکته ای که به نظر می آید آن است که حضور روش های بهینه سازی مانند الگوریتم های مبتنی بر طبیعت در این سیر کم رنگ به نظر می رسد. به نظر می آید که استفاده از ویژگی های مناسب در کنار الگوریتم های بهینه سازی مبتنی بر طبیعت می تواند کاری نو و دقیق را در این حوزه رقم بزند. زیرا این نوع الگوریتم ها تعداد زیادی جواب را به صورت تصادفی ایجاد کرده و سعی در بهترکردن این جواب ها در مرور زمان دارند.

از بین الگوریتم های مبتنی بر طبیعت الگوریتم ژنتیک، الگوریتم تجمیع ذرات، الگوریتم مورچگان و الگوریتم زنبور عسل که به جهت بهینه سازی استفاده می گردند، طرفداران بیشتری دارند. در این مقاله از الگوریتم تجمیع ذرات به دلیل سرعت بالاتر آن نسبت به بقیه استفاده می گردد.[15] لکن می توان با بررسی های دقیق تر، الگوریتم مناسب را بین تمامی الگوریتم های بهینه سازی انتخاب کرد. به الگوریتم تجمیع ذرات، الگوریتم پرندگان یا الگوریتم ذرات نیز اطلاق می گردد.

.3 روش پیشنهادی:

یکی از راه هایی که می توان به جهت مشخص کردن محدوده ی تومرهای مغزی در عکس های تشدید مغناطیسی از آن استفاده کرد، بهره گیری از الگوریتم های خوشه بندی داده هاست . به عبارت دقیق تر، تمام داده ها را در یک فضای n بعدی در نظر می گیریم و با استفاده از الگوریتم های مختلف، به طبقه بندی یا خوشه بندی داده ها اقدام می کنیم. این فضای n بعدی با استفاده از n ویژگی که استخراج می کنیم پدید می آید.

در علم پردازش تصویر که داده های ما همان پیکسل ها هستند؛ اگر نیاز به استفاده از الگوریتم های خوشه بندی باشد، باید ارتباط یک پیکسل با پیکسل های همسایه ی آن نیز به صورتی نشان داده شود. زیرا در کلاسه بندی پیکسل ها، هر پیکسل ممکن است با توجه به همسایه هایش در کلاس های مختلف قرار گیرد. این مطلب را می توان با انتخاب ویژگی ها و ابعاد مناسب برای فضای خود لحاظ کنیم. اگر ارتباط یک پیکسل با همسایه های آن نیز در ویژگی هایی که استخراج می کنیم وجود داشته باشد، مطمئنا الگوریتم قطعه بندی ما از دقت بالاتری برخوردار خواهد بود. پس ایده ی اصلی استفاده از الگوریتم های خوشه بندی در قطعه بندی عکس آن است که پیکسل ها را به فضایی نگاشت کنیم که ابعاد آن، ویژگی های مناسب برای قطعه بندی خواهد بود. سپس، از الگوریتم خوشه بندی در این فضا برای تعیین محدوده ی مورد نظر استفاده شود. روش پیشنهادی این رساله از سه مرحله ی کلی تشکیل شده است:

1.3.    پیش پردازش:

همانطور که در شکل 1 مشخص است، تمامی عکس های تشدید مغناطیسی مغز به سه ناحیه ی کلی تقسیم می شوند: جمجمه، ناحیه ی داخلی مغز، ناحیه ی سیاه رنگی که دور سر را در عکس های تشدید مغناطیسی فراگرفته است.

در صورت مساله ای که قرار است در این مقاله حل شود، تمرکز روی ناحیه ی دو است. در واقع ناحیه ی داخلی مغز که بررسی می شود شامل خود مغز و تومر است که هدف ما جدا کردن این دو ناحیه از هم به وسیله ی روش های قطعه بندی سلسله مراتبی است. پس اولین کاری که باید صورت بگیرد، جدا کردن ناحیه ی دو - ناحیه ی داخلی مغز - از نواحی یک و سه است. این عمل باعث می شود بدانیم هر چه در عکس برای ما باقی مانده است همان ناحیه ای است که باید قطعه بندی روی آن انجام شود و نواحی غیرمرتبط به صورت مساله، دقت روش ما را تحت تاثیر قرار نمی دهند.