بخشی از مقاله
چکیده - تشخیص تومور و محل دقیق آن با استفاده از تصویر برداری پزشکی و پردازش آن به یکی از مهمترین شاخههای پردازش سیگنالهای پزشکی تبدیل شده است. بافت جمجمه یکی از مشکلات اصلی در تشخیص تومورهای مغزی است که خطای زیادی را در تشخیص مکان تومور به طور خودکار ایجاد میکند. در این تحقیق روشی برای جداکردن بافت جمجمه از بافت مغز پیشنهاد میدهیم. در روش پیشنهادی تصویر مغز با یک تبدیل قطبی به دکارتی جمجمه از حالت منحنی بسته به صورت یک مسیر باز خطی تبدیل میشود تا بتوان آنرا به درستی تشخیص و حذف کرد. برای اینکار با تعریف یک تابع هزینه، مسیر مربوط به بافت جمجمه مشخص میشود. پس از یافتن پیکسلهای جمجمه که از نظر کد رنگ بافتی شبیه به تومور دارند آنها حذف و مکان تومور با استفاده از روش آستانهگذاری هیستوگرام و تقارن نیمکره چپ و راست تشخیص داده می-شود. نتایج شبیهسازی حاکی از عملکرد قابل قبول در جدا کردن جمجمه از بافت مغز است.
-1مقدمه
تومورهای مغزی شایعترین علت مرگ ناشی از علل نورولوژیک، بعد از STROKEها هستند. بنابراین با اینکه تومورهای مغزی شیوع خیلی پایینی دارند، میزان مرگ و میر در آنها بالا است. مغز انسان از بافتهای متفاوتی تشکیل شده است که به لحاظ آناتومیکی میتواند به بخشهای زیر تقسیم شود: جمجمه، مایع مغزی نخاعی، ماده خاکستری، ماده سفید، ماهیچه، چربی، مویرگ و حفره. بهترین راه برای مشاهده و بررسی بافتهای مذکور این است که با یک روش غیر تهاجمی از درون آن بافتها تصویربرداری کرد، در این پژوهش پس از بیان کاربردهای پردازش تصویر با استفاده از کاربرد آن در پزشکی به تشخیص خودکار تومور مغزی و نمایش ضایعه پرداختیم.[1]
-2کاربردهای پردازش تصویر
ردپای پردازش تصویر در بسیاری از علوم و صنایع مشاهده می-شود و بعضی از این کاربردها آنچنان به پردازش تصویر وابسته هستند که بدون آن، اساسا قابل استفاده نمیباشند. پنج کاربرد مهم پردازش تصویر را میتوان رباتیک، سیستمهای دفاعی، مهندسی پزشکی، کنترل صنعتی و گرافیک کامپیوتری عنوان کرد. در سیستمهای رباتیک معمولا از پردازش تصویر برای هدایت ربات و تشخیص اشیاء استفاده میشود. در سیستمهای دفاعی برای یافتن هدف و یا رهگیری یک هدف متحرک ، در مورد کاربردهای گرافیکی نیز یکی از معروفترین نرمافزارهای مبتنی بر پردازش تصویر فتوشاپ میباشد. تشخیص نوع بیماری نیز از رایجترین کاربرد پردازشتصویر پزشکی است. اما دیگر کاربرد پردازش تصویر عبارتند از صنعت، هواشناسی، شهرسازی، کشاورزی، علوم نظامی و امنیتی، نجوم و فضانوردی، باستان شناسی، تبلیغات و سینما، روانشناسی و فناوریهای علمی است. [2]
-3 تومورمغزی و پردازش تصویر
تومورهای خوشخیم مغزی دارای سلولهای سرطانی نیستند و قابل برداشتن هستند و بهندرت دوباره رشد میکنند. این نوع تومور مغزی معمولا دارای مرز و لبه مشخصی بوده و به ندرت بافتهای اطراف خود را مورد هجوم قرار میدهند و به دیگر قسمتهای بدن گسترش نمییابند. تومورهای بدخیم مغزی که سرطان مغز نیز نامیده میشوند حاوی سلولهای سرطانی هستند æ عموماً جدیترند و احتمال دارد سریعتر رشد و تجمع کرده و یا به بافتهای مجاور حمله کنند. میتوان انواع تومورهای مغزی را به دو گروه اولیه و ثانویه تقسیمبندی کرد. تومورهای اولیه آن-هایی هستند که از مغز و پردههای پوشاننده آن سخت شامه منشأ1 میگیرند و تومورهای ثانویه از سایرمناطق بدن مثل ریه، پستان، دستگاه گوارش و غیره به مغز انتشار یافتهاند و اصطلاحاً متاستاز نامیده میشوند که از نظرشیوع تقریباً هردو مشابه هستند و میتوان گفت هر کدام نیمی از موارد را تشکیل می-دهند اما برخی آمارها نشان میدهند که شیوع متاستاز بیشتر از گروه اولیه است. [5-3]
-4 تشخیص تومور
الگوریتم تشخیص تومور را میتوان به طور خلاصه، به صورت زیر بیان کرد.
گام :1 جداسازی بافت مغز از جمجمه گام :2 تفکیک دقیق محل تومور از سایر مناطق به وسیله رنگ قرمز به طور دستی
گام :3 استخراج نمودار هیستوگرام برای مکانهای تفکیک شده گام :4 به دست آوردن میانگین از هیستوگرام تصاویر آموزشی پایگاه داده گام :5 قرار دادن مقدار بازه حاصله به عنوان سطح آستانه و سپس استخراج تومور از تصاویر آزمایشی پایگاه.
-5 روش پیشنهادی
در این پایان نامه، تشخیص تومور بر اساس پردازش هیستوگرام انجام میشود. نکته اول که ما از آن بهره میگیریم آن است که در منقطهای از مغز که تجمع پیکسلهای سفید رنگ بیشتر است حضور تومور محتمل است. لذا از همین موضوع در یافتن مکان تومورها استفاده بهینه شده است. اما باید به این نکته نیز اشاره کرد که تجمع پیکسلهای با مقدار - ارزش - حدود 255 - سفید - علاوه بر قسمت تومور، در ناحیه جمجمه نیز وجود که این امر سبب کاهش دقت در تشخیص دقیق مکان تومور میشود. لذا بهتر است در مرحله پیشپردازش جمجمه ار ناحیه بافت مغز جدا گردد.[9-6] البته مرحله پیشپردازش شامل انجام فیلترینگ برای تعدیل کردن نویز و ... نیز میشود. سپس الگوریتم تشخیص تومور بر روی بافت مغز اعمال میگردد.
عملکرد کلی الگوریتم تشخیص تومور شامل دو مرحله اصلی است:
-1 پیشپردازش، -2 تشخیص محدوده تومور
1 - 5مرحله پیشپردازش
چون تصویر جمجمه حالتی دایرهای شکل دارد و تشخیص مسیر دایرهای در تصویر چندان ساده نیست بهترین روش اعمال تبدیل دکارتی به قطبی است که مسیر دایرهوار جمجمه به یک مسیر خطی شکل تبدیل گردد. این روش مخصوصا در تشخیص هویت از طریق عنبیه به صورت فراوان به کار برده میشود. در این صورت به جای آنکه الگوریتمی بنویسیم که به دنبال یک مسیر دایرهای برای جمجمه بگردد - که نوشتن چنین الگوریتمی دشوار است - کافی است الگوریتمی بنویسیم که یک مسیر خطی شکل را - بر روی تصویر تبدیل شده به حالت قطبی - جستجو کند که بسیار سادهتر خواهد بود. این روند در شکل - 1 - آمده است.
شکل : - 3 - تصویر نگاشت شده به حالت قطبی
برای واضحتر شدن مقادیر پیکسلدر تصویر بعدی نقشه رنگی برای آن تعریف شده است که هر چه مقدار پیکسل بیشتر باشد رنگ آن قرمزتر و مقادیر کمتر با رنگ آبی نشان داده شده است. شکل : - 4 - تصویررنگی نگاشت شده به حالت قطبی در تصویر زیر نیز تابع شدت نور تصویر به صورت سه بعدی نشان داده شده است. نقاط مرتفع نشان دهنده بافت جمجمه و تومور هستند. توجه کنید که تصویر تابع شدت نور برای دید بهتر از زاویهای دیگر در مقایسه با تصویر نقشه رنگ شده نشان داده شده است. شکل : - 5 - تابع شدت نور تصویر به صورت سه بعدی
حال کافی است مسیر جمجمه که به صورت یک تابع خطی درآمده است تشخیص داده شده حذف گردد. برای تشخیص بهتر این مسیر که ما آنرا با F - x - نشان میدهیم ابتدا تابع هزینهای تعریف میکنیم. درواقع مسیر جمجمه باید شرایط زیر را داشته باشد و تابع هزینه را کمترین مقدار کند. به بیان دیگر چون تعداد زیادی مسیر برای بافت جمجمه میتوان یافت بهترین کار آن است که برای یافتن مسیر جمجمه آنرا به صورت یک مساله بهینهسازی مطرح کنیم. تابع هزینه را به صورت گرادیان عمودی تصویر تعریف میکنیم و آنرا با C - x,y - نشان میدهیم. مساله بهینهسازی گفته شده دارای قید و شرط نیز است. از آن-جا که بافت جمجمه در تصویر اصلی دارای هیچ پرشی نیست لذا تابع F - x - نیز نباید دارای هیچ ناپیوستگی شدیدی باشد. یعنی باید به دنبال مسیری بگردیم که دارای کمترین ناپیوستگی و کمترین تابع هزینه باشد. در کل میتوان مساله بهینهسازی را به صورت زیر نوشت:
