بخشی از مقاله
-1 مقدمه
نشان دادن یک تصویر به دو رادیولوژیست متفاوت است که سرطان سینه یکی از عوامل شایع مرگ و میر بانوان در سراسر تشخیص هر یک با دیگری متفاوت است. این دو تشخیص به علت طبیعت ریز یافته های رادیولوژیکی، کیفیت ضعیف تصویر، جهان میباشد، بطوریکه از هر 7 نفر یک نفر جان خود را بر اثر خستگی چشم و یا اشتباه نظری رادیولوژیست می باشد.[2] با
این بیماری از دست میدهد. در کشور ما نیز در میان زنان این توجه به توضیحات گفته شده و عدم وجود تفاسیر مناسب از نوع سرطان رتبه نخست را دارا بوده و در حال افزایش میباشد.
تصویر ماموگرام همچنین از آنجاییکه رادیولوژیستها تنها در %70یکی از راههای پیشگیری این بیماری و جلوگیری از گسترش موارد سرطان سینه را بدرستی تشخیص میدهند استفاده از یک توده سرطانی تشخیص به موقع آن میباشد. در این راستا سیستم کمک تشخیصی خودکارکامپیوتری ضروری به نظر پزشکان و رادیولوژیستها از تصاویر ماموگرافی برای تشخیص میرسد.[2] این توده شامل خوشه های میکروکلسیفیکاسیون1ها توده سرطانی استفاده میکنند.
[1] ماموگرافی به عنوان یک - عامل اصلی بیماری که نشاندهنده بیماری است - میباشد. روش مناسب برای تصویربرداری از ساختار درونی سینه ، قابلیت بایستی بتوانیم این خوشهها را با توجه به ویژگی آنها مانند آشکارسازی غدد داخلی سینه را قبل از ظهور فیزیکی بیماری موجک و فوریه شناسایی کنیم. اما این تصاویر همانطور که بیان دارد.[2] در تصاویر ماموگرافی، چربی به رنگ خاکستری دیده شد دارای مشکلاتی همچون عدم وضوح بالا ، شباهت تودههای میشود و بافت سینه که متراکمتر است، سفید به نظر میرسد.سرطانی و ... میباشند. بنابراین نیاز به روش های بینایی ماشین به طور کلی تشخیص سرطان سینه از روی تصاویر ماموگرافی از و پردازش تصویر برای بهبود تصویر در تشخیص احساس میشود. طریق مشاهدات رادیولوژی دارای اشکالاتی است.
چکیده –
سرطان سینه یکی از شایعترین عوامل مرگومیر در میان بانوان در دنیا به شمار میآید. تشخیص و جداسازی تومورهای سرطانی در تصاویر ماموگرافی، نیازمند دقت، تجربه و زمان است و این مسئله همواره برای رادیولوژیستها وپزشکان متخصص یک چالش عمده محسوب میشود. در این مطالعه روشی جهت جداسازی تصاویر ماموگرافی براساس تکنیکهای استخراج ویژگی در پردازش تصویر پیشنهاد میشود. ابتدا با اعمال تبدیل فوریه و تبدیل موجک روی تصاویر ماموگرافی، بردارهای ویژگی ساخته میشود. سپس عمل طبقهبندی با استفاده از ماشین بردار پشتیبان انجام میگیرد. نتایج حاصل از آزمایشات نشان میدهد که کارایی روش پیشنهادی در مقایسه با سایر روشها قابل توجه میباشد. تبدیل موجک، ماشین بردار پشتیبان، ماموگرافی خطا میشود. خطای اول زمانی رخ میدهد که یک تصویر این تصاویر گذاشتهاند. طی چند سال اخیر مطالعات روی تصاویر ماموگرافی در سه حوزه کلی صورت گرفته است. این سه حوزه ماموگرافی در دو نوبت به رادیولوژیست نشان داده میشود، که عبارتند از :
· افزایش وضوح تصویر
· تشخیص توده سرطانی
· طبقهبندی تصاویر
در حوزه افزایش وضوح و تشخیص موقعیت تومور، رضایی و همکارش روشی ارائه دادهاند. آنها با اعمال تبدیل موجک روی تصویر و با آستانهگذاری روی ضرایب موجک، تصویر را بهبود داده و با استفاده از تکنیکهای لبهیابی روشی جهت تشخیص محل توده ارائه دادهاند.[1] در مقاله[ 3] نیز بینامول و همکارش، با استفاده مفهوم آنتروپی به شناسایی خوشههای میکروکلسیفیکاسیونها پرداخته اند. ابتدا با اعمال تبدیل موجک روی تصویر ماموگرام، ضرایب موجک استخراج میشود. سپس با اعمال آنتروپیهای شانون و تسالیس روی این ضرایب یک مقدار آستانه بهینه تولید میشود. سپس عمل آستانهگذاری روی ضرایب موجک انجام میشود و ضرایب جدید تولید میشود. در ادامه با اعمال تبدیل موجک معکوس روی ضرایب جدید و نیز فیلتر اوتسو خوشههای میکرو-کلسیفیکاسیون جدا میشوند.
در این مطالعه روشی به منظور تشخیص تصاویر ماموگرافی شامل تودههای سرطانی ارائه شده است. ابتدا به منظور حذف اطلاعات اضافی و افزایش کیفیت تصاویر، عملیات تقطیع و تعدیل هیستوگرام انجام میشود. سپس با استفاده از تبدیلهای فوریه و موجک، ویژگیهایی از تصاویر استخراج میگردد. در مرحله بعد جهت افزایش نرخ تشخیص، تعداد ویژگیهای هر تصویر را با استفاده آنالیز مولفههای اساسی، را کاهش میدهیم. در نهایت عمل طبقهبندی تصاویر با استفاده از ماشین بردار پشتیبان انجام میگیرد. نتایج حاصل از آزمایشات نشان میدهد که کارایی روش پیشنهادی در مقایسه با سایر روشها قابل توجه میباشد.
-2 تبدیل فوریه1
روشهای استخراج ویژگی زیادی وجود دارد که در پردازش تصویر استفاده میشود. یکی از رایجترین روشها، استفاده از تبدیلهای حوزههای مختلف است. با استفاده از تبدیلهایی مانند فوریه و موجک، ویژگیهایی از تصویر ظاهر میشود که در پردازش تصویر بسیار مفید میباشد. در این بخش تبدیل فوریه معرفی میشود و در بخش بعدی به بیان تبدیل موجک را بیان خواهیم پرداخت. در قرن 19 ریاضیدان فرانسوی J.Fourier نشان داد که هر تابع تناوبی را میتوان به صورت مجموع توابع سینوسی نمایش داد. سالها بعد ایده او به سیگنالهای تناوبی و غیر تناوبی تعمیم داده شد. تبدیل فوریه هر سیگنال را به یک سری توابع نمایی مختلط با فرکانسهای متفاوت تجزیه میکند. روش کار آن به صورت زیر است:
رابطه1 نشاندهنده تبدیل فوریه x - t - و رابطه 2عکس تبدیل فوریه X - f - است. در معادله 1وt 2 نشان دهنده زمان، f فرکانس ، x سیگنال مورد نظر در بعد زمان و X سیگنال تبدیل یافته در بعد فرکانس است. کاری که در واقع صورت میگیرد این است که سیگنال اصلی در یک عبارت مختلط شامل سینوسها و کسینوسهای فرکانس f ضرب میشود. سپس این حاصلضربها با هم جمع میشوند. اگر حاصل جمع مقدار بزرگی بود میتوان گفت که سیگنال x در فرکانس f دارای یک جزء غالب است. یعنی فرکانس f قسمت عمده فرکانس سیگنال را تشکیل می-دهد.
اگر سیگنال x - t - در فرکانس f دارای جزء غالب نباشد، حاصلضرب مقدار نسبتا کوچک خواهد بود. تبدیل فوریه نشان میدهد که آیا جزء فرکانسی خاصی در سیگنال وجود دارد یا نه. این اطلاعات مستقل از زمان وقوع آن است.[4] یعنی زمان وقوع یک جزء فرکانسی به ما نشان داده نمیشود. یکی دیگر از مشکلات تبدیل فوریه این است که ابزار مناسبی برای تحلیل سیگنالهای غیر ایستا نمیباشد. تبدیل فوریه دارای کاربردهای مختلفی مانند استخراج ویژگی، فشردهسازی، حذف نویز و ... میباشد که مهمترین آنها ویژگیهایی است که برای تحلیل و دستهبندی سیگنالها استفاده میشود.
-3 تبدیل موجک2
کمبودهای تبدیل فوریه در آنالیز سیگنالهای با خصوصیات غیرایستایی، منجر به ارائه تحلیل فرکانس-زمان توسط Gabor در سال 1946 گردید. این تبدیل اگر چه توانایی ارائه اطلاعاتی در مورد فرکانس و زمان اتفاق خاصی در سیگنال را دارد، اما به واسطه استفاده از پنجرههایی با اندازه ثابت دچار محدودیت می باشد، این مشکل با ارائه تبدیل موجک رفع گردید. تبدیل موجک درواقع یک آنالیز پنجره ای زمان - یا مکان - در مقیاس متغیر است. در اینجا تابع پنجره - موجک - دارای طول محدود ولی مقیاس متغیر میباشد. تبدیل موجک پیوسته روی سیگنال f - t - طبق رابطه 3 تعریف میشود:
- 3 - تابع موجک با انتقال و تغییر مقیاس موجک مادر به دست میآید و طبق رابطه 4 تعریف میشود:
- 4 - S پارامتر مقیاس است و با اطلاعات فرکانس مرتبط میباشد و u پارامتر انتقال بوده و حاوی اطلاعاتی در مورد زمان - یا مکان - استMallat .[4] ثابت میکند که یک تبدیل موجک گسسته میتواند با استفاده از یک بانک فیلتری محاسبه شود. در این الگوریتم یک سیگنال یک بعدی، در یک سطح تجزیه، به دو زیر باند aوd تبدیل میگردد که a را ضریب تقریبات سیگنال - approximation - و d را ضریب جزئیات - detail - میگویند. تبدیل موجک، بر خلاف تبدیل فوریه، به دنبال یافتن سهم حضور یک مولفهی فرکانسی خاص در سیگنال نیست بلکه به دنبال یافتن جزئیات سیگنال به اندازه - یا عرض زمانیِ - a در زمان t است. گاها به جای عبارت اندازهی جزئیات از عبارت درجه زوم استفاده میشود. هر چه میزان زوم بیشتر باشد - یعنی مایل به تحلیل رفتارهای سریعتر و به عبارت معادل، فرکانسهای بالاتر باشیم - ، عرض زمانی a باید کمتر باشد.
بنابراین فرکانس و درجه زوم a معکوس یکدیگر هستند. به عبارت دیگر حاصلضرب این دو همواره برابر عدد ثابتی مانند است. است. پس تبدیل موجک دادههای ما را چه دو بعدی و یک بعدی به زیر باندهایی تقسیم میکند که هر یک از این زیر باندها یک سری از جزئیات داده ما را نشان میدهد.[5] ما برای بازسازی و فشرده سازی، استخراج ویژگی، حذف نویز و لبهیابی میتوانیم از این زیر باندها استفاده کنیم. در شکل1 یک روند کلی از این کار دیده میشود.
-4 روش پیشنهادی
روش پیشنهادی در این مقاله جهت طبقهبندی تصاویر ماموگرافی شامل فاز پیشپردازش، استخراج ویژگی، انتخاب ویژگی و دستهبندی میباشد. در این بخش به بررسی روش پیشنهادی می پردازیم. شکل 2 نمودار روش پیشنهادی را نشان میدهد.
-1-4 پیش پردازش
به منظور اینکه با تصاویر با کیفیت بالا بتوانیم کار کنیم پیش پردازش های مختلفی بر روی تصاویر اعمال میشود. در ابتدا با توجه به اینکه ناحیه پس زمینه در تصاویر زیاد است بر روی آن عملیات تقطیع انجام شده است.
