بخشی از مقاله
خلاصه
رشد نامحدود و غیر قابل کنترل سلول ها باعث پیدایش تومور در مغز می شود. اگر تومورهای مغزی به سرعت شناسایی و به طور مناسب درمان نشوند می توانند باعث آسیب مغزی دائم و یا حتی مرگ بیمار شوند. ایجاد روشی که اندازه و ناحیه ی ضایعه را مشخص کند، می تواند به رادیولوژی ست ها در تشخیص کمک نماید. پردازش تصاویرپزشکی یکی از چالش برانگیزترین و ضروری ترین حوزه ها در تحقیقات امروزی است. در حال حا ضر روش تصویر برداری MRI به دلیل و ضوح و کیفیت بالا از مهمترین ابزار تشخیص و ارزیابی تومورهای غیر قابل لمس مغز می باشد.
تجزیه و تحلیل تومورهای موجود در تصاویر MRI توسط متخصصین پزشکی و بر مبنای ویژگی های استخراج شده توسط الگوریتم های مختلف انجام می شود. تصاویر MRI تحت تاثیر حضور نویز در تصویر، اثرحجمی جزیی، گرایش زمینه ای و همچنین الگوهای بسیار متفاوت در تو رفتگی ها و شیارهای مغز سختی کار را به صورت قابل ملاحظه ای افزایش داده است.
در این مقاله هدف استفاده از روش ماشین های بردار پشتیبان - SVMs - جهت تشخیص تومور مغزی می باشد. رویکرد پیشنهادی در این پروژه ابرصفحه ی جداکننده ای است که داده ها را از هم جدا می نماید. صفحه ای که بیشترین حاشیه را با داده ها داشته باشد بهترین انتخاب ا ست. درواقع SVM د سته بندی کننده ای ا ست که بهترین ابر صفحه را انتخاب می کند. اگر داده ها به طور خطی جداپذیر نباشند, کرنل ها مورد استفاده قرار می گیرند.
-1 مقدمه
مغز انسان از بافت های متفاوتی تشکیل شده است که به لحاظ آناتومیکی می تواند به بخش های زیر تقسیم شود: جمجمه، مایع مغزی نخاعی، ماده ی سفید، ماهیچه، چربی، مویرگ و حفره. بهترین راه برای مشاهده و بررسی بافت های مذکور این ا ست که با یک روش غیر تهاجمی، از درون آن بافت ها ت صویربرداری کرد. در تولید تصاویر با تشدید مغناطیسی - MRI - ازامواج الکترومغناطی سی استفاده شده است. این امواج از دو بخش، الکتریکی - E - و مغناطیسی - B - تشکیل شده اند.
این دو برهم عمودند و با اختلاف فاز 90 درجه در ف ضا از یک منبع خاص منت شر شده اند. این امواج دارای فرکانس -30 100مگا هرتز است. در این تصاویر از پدیده جذب و انعکاس امواج فرکانس رادیویی از بافت های بدن استفاده شده است که در رایانه با استفاده از تبدیل فوریه به تصویر تبدیل می کنند. این تصویر بسیار دقیق است و تغییرات بسیار کوچک را نیز می تواند نشان دهد.
تصاویر مربوطه معمولا به صورت وزن دار T1 و T2 دریافت می شود. برای ت صاویر T2 وزن بافت ها ف شرده تر و چگال تر و دارای رنگ متمایل به سفیدی بیشتری می باشند. این خصوصیت باعث تشخیص راحت تر بافت های سرطانی می گردد. چون به واسطه ی رشد سلول های سرطانی در قسمت مورد نظر, تراکم سلولی بیشتری خواهیم داشت. تصویربرداری با رزونانس مغناطیسی - MRI - برای معاینه و ت شخیص کمکی تومورهای مغزی به طور گ سترده مورد ا ستفاده قرار گرفته ا ست که علاوه بر داشتن وضوح بالا و موقعیت دقیق برای بافت های نرم هیچ آسیبی به انسان وارد نمی کند. در فرآیند تصویربرداری MRI هیچ ابزاری برای ورود به بدن انسان و همچنین هیچ دارویی برای تزریق وجود ندارد وکل فرآیند کاملا ایمن است
-2 مروری بر انواع روش های تشخیص تومور:
1-2 روش هیستوگرام رنگ
در این روش هدف ا ستفاده از هی ستوگرام رنگ جهت ت شخیص تومور مغزی می با شد. رویکرد پی شنهادی برا ساس مقایسه بین نیمکره های سمت چپ و راست در دو قطاع بالا و پایین می باشد.
2-2 روشهای ناحیه بندی تصاویر MRI
الف - روش رشد ناحیه: یکی از تکنیک هایی که به خوبی در ناحیه بندی تصاویر MRI استفاده شده روش رشد ناحیه است. در این روش نواحی به هم پیو سته مربوط به یک بافت مغز مانند تومور تو سط معیار از قبل تعریف شده مثلا اطلاعات روشنایی یا لبه و ...استخراج می شود. ابتدا نقطه کوچکی روی تصویر به عنوان بذر بر اساس معیار قبلی توسط اپراتور انتخاب می شود، معیار اپراتور برای انتخاب بذر می تواند رشد دادن بذر در ناحیه ی خاصی از تصویر تا رسیدن آن ناحیه به لبه باشد.
ب - روش خوشه بندی: خوشه به مجموعه ای از نقاط یا گره گفته می شود. خوشه بندی این امکان را فراهم می کند که نگا شت ها برروی چند سرور انجام شود. به طور کلی خو شه بندی فرایندی ا ست که اع ضای یک مجموعه بزرگ تر را به زیر مجموعه هایی با خصو صیات شبیه به هم سازماندهی می کند. خو شه بندها از جهات زیادی شبیه به طبقه بندها عمل می کنند. الگوریتم های خوشه بندی به دلیل عدم وجود دیتای آموزش دیده پی در پی بین داده و خصوصیاتی که باید خوشه بندی شوند تکرار می شوند. این روش ها از طریق داده های موجود خود را آموزش می دهند.
ج - روش هی ستوگرام: این روش با ا ستفاده از هی ستوگرام رو شنایی یا رنگ عمل ناحیه بندی را انجام می دهد. تصویر دارای سطوح روشنایی متفاوتی است که در هیستوگرام روشنایی به صورت قله و دره خود را نمایش می دهد و مرز بافت ها در محل دره جدا می شود، همچنین می توان چندین سطح آ ستانه برای ناحیه بندی انتخاب روش معمولا در اولین مرحله از کارهای پردازش تصویری استفاده می شود. در این حالت تعداد نواحی که برای ناحیه بندی در نظر گرفته می شوند به اندازه یک واحد بیشتر از نقاط آستانه می باشد. این روش قادر است دو بافت سالم و تومور را در دو کلاس مجزا ناحیه بندی کند.
3-2 روش الگوریتم ترکیبی Bee Algorithm+k-means
در این روش قسمت پیش پردازش که برای حذف نویز موجود در تصاویر MRI است، با فیلتر میانه پیاده سازی شده است. سپس ت صویر فیلتر شده تبدیل به RGB شده و فیلتر laplasion برای تیز و شفاف کردن رنگ ها روی آن اعمال می شود. در مرحله بعد به فضای رنگی l*a*b تبدیل شده و در مراکز اولیه بهینه توسط pso تعیین و با کمک k-means خوشه بندی صورت می گیرد. از آنجا که الگوریتم k-means به قطعه بندی اولیه که نا شی از مراکز اولیه تصادفی هستند، بسیار حساس است، منجر به راه حل بهینه ی محلی می شود. در حالی که الگوریتم pso یک روش جستجوی سراسری را ارائه می دهد اما در نزدیکی راه حل های بهینه سرعت همگرایی کندی دارد. بنابراین با ترکیب قابلیت جستجوی سراسری pso و توانایی همگرایی سریع k-means خوشه بندی بهینه ارائه می گردد.
4-2 روش سیستم استنتاج تطبیقی عصبی فازی
سیستم استنتاج تطبیقی عصبی فازی نوعی شبکه تطبیقی چند لایه، متشکل از عناصر اصلی و توابع سیستم های منطق فازی ا ست که تو سط یانگ ب سط داده شد. این مدل همانند مدل فازی از دانش تجربی بهره گرفته و نیز همانند مدل شبکه عصبی می تواند آموزش ببیند. در مجموع این سیستم متشکل از ساختاری 5 لایه با تعدادی متغیر ورودی است که هر ورودی دو یا چند تابع ع ضویت دارد. معماری شبکه ANFIS دارای دو ورودی, یک خروجی و دو قانون ا ست. در لایه ی اول ورودی میزان تعلق هر ورودی به بازه های مختلف فازی تو سط کاربر م شخص می شود. با ضرب مقادیر ورودی به هر گره در یکدیگر، وزن قانون ها در لایه دوم بدست می آید. در لایه ی سوم وزن نسبی قوانین محاسبه می شود. لایه چهارم لایه قوانین است که از اجرای عملیات برروی سیگنال های ورودی به این لایه حاصل می شود .لایه ی آخر خروجی شبکه است که هدف آن حداقل نمودن اختلاف خروجی شبکه و خروجی واقعی است
-3 روش پیشنهادی
الف - پیش پردازش:
پیش پردازش، برای ارتقاء تصویر و حذف مولفه های غیر ضروری از تصویر انجام می گیرد. پیش پردازش, یعنی شناسایی ویژگی هایی از تصویر است که بتوان از آنها برای کاربرد مورد نظر خود استفاده کرد. شناسایی نقاط ویژه و انحناها ازجمله ویژگی هایی هستند که در سی ستم ت شخیص می توانند ا ستخراج گردند. انواع پردازش تصویر را می توان در سه نوع پردازش سطح پایین، سطح میانی و سطح بالا د سته بندی کرد. پردازش سطح پایین شامل پردازش های ابتدایی مانند پیش پردازش هایی برای حذف نویز، بهبود کنتراست و فیلترکردن تصویر است. مشخصه این پردازش این است که ورودی و خروجی ان تصویر است.پردازش سطح میانی شامل بخش بندی تصویر به منظور تقسیم آن به نواحی و اشیاء مختلف و توصیف اشیاء به فرمی که برای پردازش کامپیوتر مناسب تر باشند ، طبقه بندی یا تشخیص اشیاء مختلف است. ویژگی پردازش میانی این اس
