بخشی از مقاله
چکیده:
تومورهای مغزی از جمله بیماریهای تحدیدکننده زندگی بشر هستند که در صورت شناسایی صحیح در مراحل اولیه درصد شانس بیمار برای درمان افزایش مییابد. روش تصویربرداری MR با توجه به وضوح و کیفیت بالا از مهمترین و پرکاربردترین ابزار جهت تشخیص محل تودههای غیرقابل لمس میباشد. امروزه تجزیه و تحلیل تومورهای موجود در تصاویر MR توسط پزشکان و به صورت تجربی میباشد؟ با در نظرگرفتن شرایط اپراتور و آرتیفکتهای موجود، ممکن است نتیجه درجهبندی ناکارآمد گردد. جهت دریافت نتیجه مطمئن و سهولت کار پزشکان نیاز به خودکار کردن فرآیند ناحیهبندی تصویر، برای استخراج هر چه سریعتر و شناسایی بهتر مکان تومور، امری لازم و ضروری میباشد. ناحیهبندی از جمله روشهای مهم برای تعیین موقعیت تومور میباشد؟ در مقاله حاضر، هدف شناسایی تومور است که این رویه، باعث تشخیص بهتر میزان پیشروی و درصد خطای تومور میگردد. روش رشد ناحیه برای استخراج و قطعهبندی تومور اعمال گردیده تا مکان و حجم تومور استخراج گردد. لذا الگوریتمهای قطعهبندی، مزیت آشکاری نسبت به نمونههای قطعی دارند و با توجه به ساده بودن و پیچیدگی زمانی پایین در مقایسه با سایر روشها، به دقت بسیار بالایی دست پیدا کردیم.
واژگان کلیدی: تومورهای مغزی، قطعهبندی، شناسایی تومورهای مغزی
مقدمه
تومورهای مغزی، شایعترین علت مرگ ناشی از علل نورولوژیک هستند. بنابراین با اینکه تومورهای مغزی شیوع خیلی پایینی دارند، میزان مرگ و میر در آنها بالا است. به علت پیچیدگی زیاد بافتهای مغزی، تشخیص دستی بافتهای مغز و تومور بسیار وقتگیر است. همچنین نیاز به افراد خبره برای بررسی تصاویر برای تشخیص این امر حیاتی است که باعث ناکارآمدی روشهای معمول و قدیمی در عدم حضور این افراد میگردد. لذا برای بررسی دقیق تومورها، استفاده از روشهای اتوماتیک بسیار مفید خواهد بود تا متخصصان را در تشخیص تومور یاری نماید .[1] روشهای مختلفی برای تهیه تصاویر پزشکی وجود دارد از جمله MRI1 و .CT2 در حال حاضر، روش تصویربرداری MRI از دقیقترین روشهای ارزیابی اندامهای داخلی و غیر قابل لمس میباشد.
کاربرد عمده دستگاه MRI، جهت شناسایی تومور مغزی میباشد. MRI یا تصویر تشدید مغناطیس، یک روش پرتو نگارانه تشخیصی در پزشکی است که بر اساس رزونانس مغناطیسی هسته کار میکند. فناوری MRI میتواند تصاویر را از هر زاویه دلخواه تهیه کند .[2] تقسیمبندی تصویر پزشکی، یک نقطه حیاتی برای شناسایی تومور است. در تصاویر درمانی، یک پزشک از دانش خود برای ناحیهبندی بافت موردنظر در تصویر استفاده میکند اما با توجه به مشکلاتی از جمله پیچیدگی بافتهای مغزی، تعداد تصاویر زیاد، کنتراست، تغییر شدت روشنایی اشیاء نسبت به یکدیگر ناحیهبندی بسیار هزینهبر و با درنظر گرفتن شرایط اپراتور ممکن است بسیار ناکارآمد بوده و با خطا روبرو گردد.
لذا برای دریافت نتیجه مطمئن و سهولت کار پزشکان نیاز به خودکار کردن فرآیند ناحیهبندی تصویر جهت شناسایی تومور امری لازم و ضروری است .[1]پردازش تصاویر، از مهمترین دستاوردها و پرکاربردترین فنون مهندسی در تمامی عرصههای علوم از جمله پزشکی و نیز به عنوان یکی از پرکاربردترین ابزار برای تصاویر پزشکی بوده است. ناحیهبندی یکی از شاخههای اصلی در علم پردازش تصویر است که مهمترین کارکرد آن، تصحیح مرزهای مخدوش بین بخشهای مختلف تصویر است. هدف از بخشبندی، جداسازی اجزای اصلی تشکیلدهنده تصویر است .[3] دقت بخشبندی تصویر، تأثیر بهسزایی در کارایی کل سیستم میگذارد بهطوری که میتواند موفقیت و شکست احتمالی تحلیل نهایی تصویر را تعیین کند .[1]
در این مطالعه، با استفاده از تکنیکهای پردازش تصویر به تحلیل و آنالیز تصاویر MRI مغز پرداخته میشود و قطعهبندی تصویر با دقت و سرعت مطلوب انجام میگردد و سعی میشود که با عملیات مورفولوژی، مرزهای تومور در هر سگمنت تشخیص داده شود و پس از کنار هم قرار دادن سگمنتها ناحیه تومور استخراج میشود.معمولا تشخیص تومور توسط پزشک متخصص صورت میگیرد و احتمال بوجود آمدن خطا در تصاویر MRI با توجه به تنوع بافتها، باعث ایجاد نویز و ابهام تشخیص تومور توسط پزشک میشود. لذا باید روشی پیشنهاد شود که در برابر نویز مقاوم باشد. حلواییپور، سه الگوریتم ناحیهبندی که نتایج رضایتبخشی روی تصاویر تومور مغزی میدهند، ارائه داد. روشهای پیشنهادی شامل چندین مرحله برای تشخیص و استخراج ناحیه تومور میباشند.
در دو روش پیشنهادی اول از آستانهگذاری به یک روش متداول و یک روش مبتنی بر الگوریتم گروه ذرات برای ناحیهبندی استفاده شده است. در روش پیشنهادی سوم، نخست حذف نویز به عنوان پیشپردازش بر روی تصاویر MRI مغزی اجرا میگردد و سپس ویژگیهای بافتی بدون نویز استخراج میشوند. گام بعد، دسته بندی به کمک یک طبقهبند فازی براساس ویژگیهای استخراج شده است و سپس تعدادی عملگر مورفولوژی برای رسیدن به نتایج مورد نظر اعمال شده است. این روشها بر روی دادههای گوناگونی که از مراکز MRI بعثت کرمان جمعآوری شد، آزمایش شدند Ratan .[16] روش مبتنی بر همپوشی برای تشخیص مرز تومورهای مغزی ارائه داد که استخراج قوی و به طور کامل خودکار تومورهای مغزی را برای رزونانس مغناطیسی مغز ایجاد میکند .[4]
Gen-Yuan نیز یک الگوریتم بهبودیافته فازی C-Means برای بخشبندی تصاویر پیشنهاد دادند Staunton .[5] روشی برای بخش-بندی فازی تصاویر MRI با استفاده از الگوهای روشنسازی ناهموار مطرح کرد Clarke .[6] از تکنیک FCM3 برای تشخیص ناهنجاری در تصاویر MRI استفاده کرد Change .[7] روشی مبتنی بر SVM برای طبقهبندی سرطان سینه در تصاویر سونوگرافی استفاده نمود .[8]Chu از LS-SVM برای طبقهبندی تصاویر استفاده نمود Richards .[9] از قطعهبندی مارکوات توزیعشده برای پردازش تصاویر MRI بهره گرفت Zhang .[10] از مدل فیلد تصادفی مارکوف مخفی برای قطعهبندی تصاویر MRI استفاده نمود .[11] از جمله روشهایی که تاکنون برای پردازش تصاویر پزشکی و تشخیص تومور در تصاویر بهکار رفته است، میتوان به روشهای مبتنی بر لبه، مبتنی بر ناحیه، مبتنی بر اطلاعات پزشکی و ترکیباتی از این قبیل روشها میباشد. امروزه از شاخههای هوش مصنوعی نظیر شبکههای عصبی و الگوریتم ژنتیک در پردازش تصاویر پزشکی به وفور دیده میشود.
