بخشی از مقاله
خلاصه
ملانومای بدخیم نوع خطرناک و کشندهی سرطانپوست است. درمان قطعی این بیماری زمانی میسر خواهد بود که پزشک متخصص بتواند آن را به درستی و بهنگام تشخیص دهد. در این صورت می توان با یک برش ساده این بیماری را به طور قطعی درمان نمود. این روش نیاز به نمونهبرداری از سطح زخم دارد که روشی تهاجمی بوده و بیمار را دچار درد و رنج خواهد نمود. هدف از این مقاله ارائه روشی کارآمد مبتنی بر یادگیری ماشین و تکنیکهای پردازش تصویر است که قادر باشد به صورت غیرتهاجمی و سریع زخم ملانوما را شناسایی نماید.
بدین منظور ابتدا از تصاویر درموسکوپی مجموعه ویژگیهایی مبتنی بر شکل،رنگ و بافت از تصویر ضایعه استخراج میشود و در نهایت با استفاده از فرآیند طبقهبندی دو مرحلهای عمل دستهبندی برای سه کلاس خال معمول، غیرمعمول و ملانوما انجام میپذیرد. نتایج حاصل از اعمال این روش بر روی پایگاهداده PH2 نشان میدهد که روش طبقهبندی دو مرحلهای با دقت نزدیک به 90 عملکرد بهتری نسبت به طبقهبندی یک مرحلهای برای دادههای سه کلاسه بدست میدهد.
کلمات کلیدی: سرطانپوست، ملانوما، استخراج ویژگی، شکل، رنگ، بافت، طبقهبندی، ویژگیهای بهینه،KNN
مقدمه
سرطان پوست یکی از شایعترین انواع سرطان در جهان میباشد. سرطان پوست انواع مختلفی دارد که در بین آنها ملانوما نوع کشنده و خطرناک آن میباشد. طبق آمار در هر ساعت یک نفر جان خود را بر اثر ملانوما از دست میدهد. سال 2017 در ایالات متحده 87110 مورد جدید از ملانوما شناسایی شد که در بین این موارد 9730 نفر بر اثر آن جان خود را از دست دادند.[1] شناسایی درست و زودهنگام ملانوما تاثیر بسزایی در درمان قطعی آن دارد، چرا که در این صورت می توان با یک برش ساده بیماری را درمان نمود.
درموسکوپی یکی از ابزار های مهم در تشخیص ملانوما و سایر زخم های رنگدانهای پوست است که روشی غیر تهاجمی بوده و بازتاب سطح را کاهش میدهد و نسبت به سایر تصاویر بالینی ساختارهای زیر سطحی پوست را بهتر آشکار می سازد. این موارد منجر به کاهش خطای تشخیص و ایجاد تمایز بهتر در بین ضایعههای مختلف پوست میشود.[2] نظر به اینکه شناسایی ملانوما وابسته به تجربه و تخصص پزشک است،
لذا اثبات شده است که نرخ شناسایی زمانی که پزشک معالج دارای تخصص و تجربه کمتری است، پایین خواهد بود. با وجود این تفاسیر به منظور کاهش خطای تشخیص استفاده از رویکردهای رایانهای مبتنی بر یادگیری ماشین مورد توجه قرار گرفته است.اغلب رویکردهای تحلیل رایانهای تصویر درموسکوپی مشتمل بر چهار مرحله هستند که عبارتند از : پیش پردازش، قطعهبندی، استخراج ویژگی و طبقهبندی نمایی از یک سیتم شناسایی خودکار ملانوما را نشان می دهد. در این مقاله ما با در نظر گرفتن مراحل ذکر شده به طور خاص بر روی بخش استخراج ویژگی و طبقهبندی تمرکز نمودیم.
زخم های رنگدانه ای پوست معمولا براساس قانون ABCD توسط متخصصان پوست ارزیابی میشوند. هر کدام از این موارد به ترتیب بیانگر عدم تقارن1، نامنظمی مرز2، تغییر رنگ3 و اختلاف ساختار4 یک زخم است.
نمای کلی از یک سیستم شناسایی خودکار ملانوما
در دههی اخیر پژوهشهای متعددی به منظور شناسایی ملانوما با استفاده از تحلیل رایانهای تصاویر انجام پذیرفته است. در این راستا مژده راستگو و همکاران یک قالب خودکار با ترکیب و مقایسه چندین ویژگی بافت در کنار ویژگیهای شکل و رنگ با استفاده از چند طبقهبند معرفی نمود. قالب پیشنهادی حساسیت % 98 و قطعیت %70 را بدست داده است. در جی سی کاویسا و همکاران با تمرکز بر استخراج ویژگیهای سراسری و محلی از بافت، نتایج عملکرد طبقهبندی را با استفاده از هرکدام از ویژگیها بدست آورده و نشان دادند که ویژگیهای مقاوم سرعت بالا عملکرد بهتری را با صحت %87,3 بدست میدهد.
کاویماسی در سیستم پیشنهادی خود روشهای مختلف طبقهبندی همچون ماشین بردار پشتیبان5، ترکیب طبقهبندها6، شبکه عصبی احتمالی7 و سیستم استنتاج فازی-عصبی تطبیقی8 را مقایسه کرده و به این نتیجه رسید که عملکرد عصبی-فازی تطبیقی نتیجه بهتری را بدست خواهد داد.[6] حنان الاسدی الگوریتمی برمبنای شبکه عصبی مصنوعی و استخراج ویژگیهای بافت و رنگ و شکل معرفی نموده است که به دقت 98 درصد برای تشخیص خوشخیم و بدخیم و 93 درصد برای شناسایی انواع ملانومای بدخیم دست یافته است.
پایگاه داده
در این مقاله ما از تصاویر موجود در پایگاهداده PH2 به منظور بررسی عملکرد طبقهبندی استفاده کردهایم. این پایگاهداده سه کلاسه، شامل 200 تصویر زخم است که از بین آنها 40 مورد مربوط به ملانوما1، 40 مورد مربوط به خال معمول2 و 40 مورد نیز مربوط به خال غیرمعمول3 میباشد. همچنین به ازای هر تصویر، تصویر قطعهبندی شدهی متناظر با آن نیز وجود دارد که ما در کار خود از آنها به منظور جداسازی ناحیه زخم و استخراج ویژگی استفاده میکنیم.
روش پیشنهادی
در این مقاله ما به منظور طبقهبندی دادهها، ابتدا با استفاده از تصویر قطعهبندی شده موجود در پایگاهداده قسمت ضایعه را از سایر قسمتها جدا کرده و سپس مجموعهای از ویژگیهای شکل، بافت و رنگ را که در ادامه شرح داده خواهند شد، از تصاویر ضایعه استخراج کردیم. در نهایت با به کارگیری طبقهبند K نزدیکترین همسایه - KNN - و روش طبقه بندی دو مرحلهای کار دستهبندی را انجام دادیم. در اینجا طبقهبندی برای سه کلاس ملانوما ، خال معمول و غیر معمول انجام پذیرفته است.
استخراج ویژگیهای شکل
مجموعه ویژگیهای شکلی استخراج شده از تصویر قطعه بندی شده عبارتند از: مساحت زخم4، نسبت ابعاد5، شاخص گریز از مرکز6، ضریب تراکم7، عدم تقارن، ضریب سختی8، ضریب کشیدگی9، شاخص مستطیلی10، قطر معادل11، تحدب12 و شاخص دایروی.13 هر کدام از این ویژگیها در ادامه شرح داده شدهاند.مساحت ضایعه برابر است با تعداد پیکسلهای موجود در محل ضایعه. نسبت ابعاد به صورت نسبت طول محور اصلی به طول محور فرعی تعریف می شود. این شاخص برای شئ بسیار کشیده نزدیک به صفر است.نسبت طول محور فرعی به محور اصلی، شاخص گریز از مرکز یا ضریب بیضوی نام دارد. در اینجا هرچه مقدار شاخص به 1 نزدیکتر باشد به شکل بیضی شبیهتر است.
