بخشی از مقاله
خلاصه
تومور مغزی نشانگر رشد بیرویهی سلولها در مغز انسان است. تومور میتواند منجر به سرطان شود که یکی از علل اصلی مرگ و میر در جهان است. تشخیص اولیهی تومور و تخمین پیشرفت آن بر اساس تصویر MRI، به پزشکان در کمک به نجات زندگی انسانها یاری میرساند. در این مقاله یک روش خودکار بر اساس آنالیز تقارن در تصاویر MRI، جهت پیدا کردن محدوده دقیق ناحیهی تومور ارائه شده است. این پژوهش از دو مرحلهی آموزش و آزمایش تشکیل شده است.
در گام آموزش، مساحت ناحیهی قرارگیری تومورها محاسبه شده است. در گام آزمایش، پس از اعمال رشد تصویر و حذف نویز، اثر چرخش سر در تصاویر MRI تشخیص و حذف میشود. پس از اعمال آنالیز تقارن بر تصویر به دست آمده از مرحلهی قبل، چندین بخش به عنوان نواحی کاندید تومور تشخیص داده میشوند.
برای تشخیص ناحیهی تومور از میان این نواحی، مساحت هر یک از این نواحی محاسبه شده و سپس ناحیهای که دارای مساحت در محدودهی مساحت نواحی تومورهای تصاویر آموزش است، به عنوان ناحیهی تومور در نظر گرفته میشود. پژوهش فوق بر روی مجموعه دادهی figshare آزمایش شده است که شامل 3064 عکس از سه نوع تومور مغزی است. نتایج نشان دهندهی سودمند بودن روش پیشنهادی است.
.1 مقدمه
بدن انسان از چندین نوع سلول تشکیل شده است که در این میان مغز یک عضو بسیار حساس و تخصصی بدن انسان است. تومور مغزی یک بیماری مضر برای انسان و تودهای در داخل جمجمه است که از رشد غیر طبیعی بافت در مغز یا اطراف مغز تشکیل شده است. تومور مغزی به صورت معمول، از رشد سلولهای مغزی، رگهای خونی و اعصاب ایجاد میشود .تومور مغزی میتواند به دو صورت خوشخیم یا بدخیم باشد که نوع بدخیم آن خطرناکتر از نوع خوشخیم آن است و علت آن، سرعت بالای انتقال این تومور به دیگر بافت های مغز است
تشخیص تومور مغزی به دلیل شکل، اندازه و محل ظاهر شدن تومور در مغز، کار بسیار پیچیدهای است. این تشخیص در مرحلهی شروع بسیار سختتر است، زیرا نمیتوان به صورت دقیق تومور را پیدا کرد؛ اما زمانی که تومور شناسایی میشود و درمان مناسب آغاز شود، تومور خوشخیم و گاهاً بدخیم قابل درمان خواهد بود. درمان تومورها با توجه به نوع تومور به صورت شیمی درمانی، پرتو درمانی و جراحی انجام میگیرد.
انواع مختلف روشهای تصویربرداری پزشکی غیرمهاجمی شامل MRI*، سی تی اسکن، سونوگرافی، اشعهی ایکس، PET و SPECT است. در زمینهی سیستمهای تشخیص پزشکی - - MDS، تصاویر MRI نتایج بهتری را نسبت به CT ارائه دادهاند و علت آن، این است که MRI کنتراست بالاتری را در بین بافتهای نرم بدن انسان ایجاد میکند .[3] تشخیص تومور مغزی میتواند از طریق تصاویر MRI انجام گیرد. تصاویر MRI، ساختار مغز، اندازه و مکان قرارگیری تومور را مشخص میکند. یکی دیگر از دلایل استفاده وسیع از MRI، قابلیت آن در تولید تصاویر چندگانه از یک بافت با تضادهای متفاوت است. این تصاویر با استفاده از پروتکلهای مختلف تهیه تصویر و پارامترهای مختلف تولید میشوند
در سالهای اخیر، در برنامههای کاربردی کلینیکی، محدوده تومور در عکس مغز به صورت دستی تعیین میگردد؛ اما هنگامی که حجم اطلاعات و تصاویر بالا است، روش دستی عملاً قابل انجام نیست. بنابراین سیستمی خودکار جهت تشخیص محدودهی تومور در تصاویر مغز مورد نیاز است. از سویی MRI یک تکنیک تصویربرداری است که امکان عکسبرداری واضح از بخشهای مختلف بدن را که به وسیلهی بافت استخوانی احاطه شدهاند فراهم میکند.به همین دلیل اسکن تصاویر MRI بهترین نوع تصویربرداری جهت تشخیص تومورهای خوشخیم و بدخیم در مغز است.
سه روش مناسب در قطعهبندی تصاویر شامل دستهبندی پیکسلها، ردیابی مرز تغییرات و استفاده از تشابه و تقارن در اندام است. در روش اول، فرض میشود که پیکسلهای موجود در هر کلاس دارای شدتهای تقریبا ثابتی است که برای ساختارهایی با ویژگیهای فیزیولوژیکی مشابه صدق میکند. روشهای ردیابی مرز تغییرات از اطلاعات مربوط به شدت و اطلاعات مکانی استفاده میکنند. در روش تشابه و تقارن، از هیستوگرام محلی استفاده میشود.
.2 پژوهشهای پیشین
در این بخش، برخی از پژوهشهای گذشته در زمینهی تشخیص تومور مغزی بررسی میشود.
محمد هاوائیا و همکاران [5]، یک روش جدید برای تقسیمبندی تومور مغزی بر اساس شبکهی عصبی عمیق - DNN** - ارائه دادهاند. شبکههای مذکور برای تشخیص دو سطح بالا و پایین گلیوبلاستوما در تصاویر MRI طراحی شده است.
در این مقاله، تفاوت بین طراحی شبکههای عصبی کانولوشن - - CNN و DNN بیان شده است و علت استفاده از DNN انعطاف پذیری و ظرفیت بالای این شبکه در ارتباط با اندازه، شکل و مکان قرارگیری تومورها بیان شده است. همچنین یک معماری جدید CNN که متفاوت با شبکههای عصبی کانولوشن گذشته است، ارائه شده است؛ بهگونهای که ویژگیهای محلی و سراسری را به صورت همزمان از تصاویر استخراج میکند. در این پژوهش نشان داده شده است که شبکهی CNN پیشنهاد داده شده، سرعتی 40 برابر را نسبت به CNNهای قدیمی ارائه میدهد. در نهایت یک معماری مبتنی بر شبکهی عصبی جهت تشخیص تومور مغزی ارائه شده است و بر روی مجموعه دادهی BRATS 2013 آزمایش شده است که نتایج، نشاندهندهی سرعت 30 برابر این معماری نسبت به کارهای مشابه قبلی است.
سلیم لاهمی [6]، سه روش پیشنهادی برای تشخیص گلیومای مغزی را با یکدیگر مقایسه کرده است. این سه روش از چهار گام تشکیل شدهاند: در گام اول، روش بهینهسازی ازدحام ذرات - PSO* - ، بهینهسازی ازدحام داروین - - DPSO و تقسیم سفارش بهینهسازی ازدحام ذرات - - FODPSO به ترتیب جهت تقسیمبندی تصاویر MRI تومور استفاده شده است. گام دوم استخراج توزیع طیفی جهتدار - - DSD برای تصاویر در هر سه روش است. گام سوم، برآورد فاکتورهای DSD محاسبه شده توسط شاخصهای Hurst است. گام چهارم طبقهبندی فاکتورهای ویژگی محاسبه شده از گام سوم با استفاده از بردار ماشین پشتیبان - SVM** - است. نتایج به دست آمده برای سه روش فوق در جدول 1 گردآوری شده است.
جدول :1 میزان صحت، حساسیت و ویژگی سه روش پیشنهادی در پژوهش
جوتی و همکاران [7] بیان کردهاند که انتخاب یک زیرمجموعهی کوچک از ویژگیهای مهم و متمایزکننده که منجر به کاهش افزونگی و به حداکثر رساندن ارتباط با برچسبهای کلاس میشود، از اهمیت بالایی برخوردار است و مدل یادگیری ماشین بدون کاهش صحت و تنها با استفاده از ویژگیهای مهم و برجسته میتواند عملیات تشخیص را انجام دهد .
بنابراین در سالهای اخیر روشهای انتخاب ویژگی در یادگیری ماشین و کشف دانش از اهمیت ویژهای برخوردار است. در این پژوهش یک الگوریتم انتخاب ویژگی ترکیبی تحت نظارت به نام TRSFFQR ارائه شده و بر روی تصاویر MRI مغز آزمایش شده است.
در این پژوهش گروههای متفاوتی از ویژگیها برای تصاویر MRI که شامل ویژگیهای مبتنی بر شکل، بافت و شدت تصاویر است، استخراج شده است. سپس با استفاده از مجموعهی Tolerance Rough، تبدیل مقادیر واقعی این ویژگیها انجام شده است و سپس از TRSFFQR که روشی ترکیبی از دو الگوریتم مجموعهی سخت تلرانس - - TRS و الگوریتم - FA - Firefly است، برای انتخاب ویژگیهای مهم استفاده شده است. نتایج نهایی نشاندهندهی سودمندی بیشتر الگوریتم انتخاب ویژگی پیشنهادی در مقایسه با دیگر الگوریتمهای انتخاب ویژگی تحت نظارت گذشته است.
شنباگاراجان و همکاران [8] ، یک روش جدید برای تجزیه و تحلیل تصاویر MRI مغزی ارائه دادهاند که تصاویر را به سه گروه تصاویر نرمال، تصاویر تومور خوشخیم و تصاویر تومور بدخیم طبقهبندی میکند. سیستم پیشنهادی از 4 گام تشکیل شده است: گام اول پیش پردازش است، گام دوم شامل قطعهبندی تصاویر است که از دو روش مرز فعال - ACM*** - استفاده شده است، گام سوم استخراج ویژگیهای مرتبط با بافت و شکل و گام چهارم طبقهبندی با استفاده از شبکه ی عصبی مصنوعی.
