بخشی از مقاله
چکیده
تشخیص تومور در تصاویر رزونانس مغناطیسی - MRI - امری مهم محسوب میشود. اما زمانی که توسط افراد به صورت دستی انجام شود بسیار وقتگیر است و دقت لازم را ندارد. در این مقاله یک روش خودکار برای تعیین محل دقیق ناحیه توموری مغز در تصاویر MRI ارائه شده است. از تصاویر بیماران مبتلا به گلیوبلاستوما استفاده کردهایم. ابتدا با ترکیب ویژگیهای چهار مدالیته MRI نواحی مزاحم مانند چشمها وجمجمه و مایع مغزی نخاعی که ممکن است مشکلساز باشند، را حذف میکنیم. پس از انجام پیشپردازش و افزایش وضوح ناحیه توموری، از الگوریتم مرز محدود استفاده میکنیم.
این الگوریتم یک روش بخشبندی خودکار و سریع است که موقعیت تومور و اندازه تقریبی آن را مشخص میکند. پس از یافتن محدوده حضور تومور درادامه با استفاده از رشد ناحیه توموری می توان کل ناحیه توموری را استخراج کرد نتایج به دست آمده نشان دهنده سرعت و دقت مناسب روش است. این روش به صورت خودکار و تا حد بسیار زیادی مستقل از کاربر است. از مقایسه نتایج بدست آمده با رویکرد تشخیصی فرد ماهر نشان دهنده دقت بالای روش پیشنهادی - 99% - در مقایسه با سایر روشهای مشابه است.
کلید واژه آشکارسازی تومور مغزی، الگوریتم مرز محدود، تصاویر MRI، رشد ناحیه توموری.
بیماری هجزءِا موثرترین ابزارها به حساب میآیند. در حل پیچیدگیهای فرآیند تشخیص، هر سیستم تصویربرداری جایگاه و کاربرد خاص خود را دارد و اغلب نمیتوانند جایگزین مناسبی برای یکدیگر باشند. از آنجایی که سیستمهای تصویربرداری MRI2 و CT3 میتوانند تصاویری بسیار واضح از بافت مغز ایجادکنند، معمولاً در تشخیص ناهنجاریهای بافتی مغز مانند تومور یا ادیما4 از این تصاویر استفاده میشود .بخشبندی تومور مغزی در تصاویر MRI یک کار بسیار دشوار و مهم است که در برنامهریزی و ارزیابیهای جراحی و پزشکی استفاده میشود .
برخی از انواع تومورها ممکن است ساختارهای اطراف خود را از شکل طبیعی خارج کرده و یا سبب تورم و یا نکروسیس 5 شوند که این سبب تغییر در شدت روشنایی اطراف تومور میشود. در ضمن بیشتر روشهای موجود برای انواع مشخصی از تومورها قابلیت کاربرد دارند و دامنه کاربرد آنها شامل انواع تومورها نمیباشد. روشهای موجود نیاز به افزایش دقت، قابلیت اجرا و خودکار شدن دارند. انجام بخش-بندی به صورت دستی فرآیندی زمانبر است. بنابراین، الگوریتم-های بخشبندی خودکار یا نیمهخودکار برای غلبه بر این معایب به شدت توصیه میشوند .
تکنیکهای بخشبندی تومور مغزی بسیار متنوعی توسط محققان ارائه شدهاند. که در اینجا به صورت مختصر به برخی تکنیکها اشاره میکنیم.یک روش بخشبندی نیمهخودکار برای یافتن حجم تومور GBM با ارزیابی حجمی سریع، توسط Chow و همکارانش در سال 2014 ارائه شد. حجمسنجی توسط بخشبندی دستی انجام شده و با حجمسنجی کامپیوتری مقایسه شد. دادههای 29 بیمار دارای GBM آنالیز شدند. عدم تطابق در حجمسنجی دستی با حجمسنجی کامپیوتری 5/29 بود. متوسط زمان بخشبندی برای حجمسنجی کامپیوتری کمتر از 1 دقیقه و برای روشهای دستی 9/7 دقیقه بود.
Zikic و همکارانش در سال 2010 یک روش بخشبندی خودکار برای گیلومای درجه بالا ارائه کردند. این روش متمایز کننده براساس جنگلهای تصمیمگیری بود. اعتبارسنجی مدل ارائه شده با استفاده از تصاویر چندکانالهی MRI گرفته شده از 2 تومورر درجه 3 و 38 تومور درجه 4 انجام شد. نتایج نشان داد که خروجیهای خودکار برای اندازهگیریهای حجم تومور مناسب بوده و به برنامهریزی موثر درمان کمک میکند.
از یک روش خودکار و بدون نیاز به کاربر برای تشخیص و بخشبندی تومور استفاده کردهاند. در ابتدا با پیشپردازشهای انجام شده روی تصویر، جمجمه و پسزمینه حذف شده، در مرحله بعدی با کمک فیلتر نویز تصویر را از بین بردهاند و سپس با استفاده از الگوریتم بهینهسازی ازدحام ذرات - PSO - 6 تومور در تصویر آشکار شده است. آنها برای این تحقیق از دادههای بیمارستانی استفاده کرده و در بخشبندی تصاویر به دقت بالای % 95 دست یافتهاند.
با وجود کارهای زیاد انجام شده در زمینهی بخشبندی، هنوز مشکلات و چالشهای زیادی در این حوزه وجود دارد. تومورهای مغزی ممکن است در هر اندازه، شکل و مکان ظاهر شوند. این تنوع، فرآیند آشکارسازی را با مشکل روبرو کرده است.در این مقاله، ما یک تکنیک خودکار و سریع را پیشنهاد میکنیم. قصد داریم با ترکیب ویژگیهای چهار مدالیته تصویربرداری MRI که شامل تصاویر T1، T2، FLAIR و T1-Post میباشد، از تمامی ویژگیهای تصویر MRI به منظور هرچه دقیقتر شدن فرآیند تشخیص استفاده کنیم.
در ادامه با اعمال مراحل پیشپردازشی نواحی فاقد اطلاعات مفید حذف شده، سپس با استفاده از الگوریتم Boundig Box - BB - موقعیت و اندازه تقریبی تومور را مشخص میکنیم. در نهایت با استفاده از الگوریتم رشد ناحیه توموری کل ناحیه توموری را استخراج می کنیم.
مواد و روش
12 بیمار 10 - مرد و 2 زن - که دارای ناحیه در تومور مغزی خود بودند، به عنوان دادههای اصلی برای این پژوهش انتخاب شدند - بیمارستان هنری فورد، دیترویت، میشیگان، آمریکا - . افراد در محدوده سنی 36 تا 66 سال با میانگین 53 سال بودند .
اعمال مراحل پیشپردازش
فرآیند پیشپردازش که شامل حذف جمجمه و چشمها و مایع مغزی نخاعی است به شرح زیر میباشد حذف جمجمه الگوریتمهای متفاوتی جهت حذف جمجمه وجود دارد که از میان آنها میتوان به BET اشاره کرد. در روش BET که به وسیله Smith گسترش یافته است، در ابتدا ماسک مغز به وسیله دو آستانه تخمین زده شده از هیستوگرام تصویر استخراج میشود سپس با رشد کرهای در مرکز گرانش مغز به سمت لبه-های مغز، کل ناحیه مغزی مشخص میگردد. رشد کره به وسیله دو پارامتر همواری و شدت روشنایی محلی کنترل میگردد. و به این صورت جمجمه حذف میشود.
حذف چشمها چشمها که در اسلایسهای پایینی ظاهر میشوند، دارایشدت روشنایی بالایی در تصاویر میباشند که در آشکارسازی تومور سبب ایجاد مشکل میگردند. برای حذف آنها با استفاده از ویژگیهای هیستوگرام - میانگین و پراکندگی - از تصاویر T1-Post و T1 و FLAIR یک آستانه مناسب انتخاب میکنیم و نواحی دارای شدت روشنایی بالاتر از این حد آستانه میباشند را حذف میکنیم حذف مایع مغزی-نخاعی مایع مغزی-نخاعی و بطنها نیز در آشکارسازی ناحیهتومور سبب ایجاد مشکل میشوند. این نواحی در تصویر با وزن T2 روشن و در تصویر با وزن FLAIR تیرهتر از حد آستانه استخراج شده با استفاده از ویژگیهای هیستوگرام در تصویر با وزن T2 و نواحی تیرهتر از حد آستانه در تصویر FLAIR میتوان آن را مشخص و از تصاویر حذف کرد .
مشخص کردن محدوده کلی تومور یا استفاده از الگوریتم BB
در اینالگوریتم فرض بر این است که مغز انسان سالم ذاتاٌ متقارن چپ و راست است و محور هندسی از وسط جمجمه بعنوان محور تقارن در نظر گرفته میشود. وقتی تومور ظاهر شود نیمکرههای مغزی دچار عدم تقارن میشوند. پس در این قسمت هدف جستجوی ناحیهای است که دارای بیشترین تفاوت بین نیمه راست و چپ مغز باشد. بنابراین الگوریتم BB یک روش تشخیص تفاوت در طرفین مغز است که به صورت بدون نظارت اجرا میشود.
تشخیص این تفاوت در الگوریتم با استفاده از تابع امتیاز که براساس ضریب باتاچاریا تعریف شده است، انجام میگیرد. در این تابع امتیاز محاسبات براساس هیستوگرام شدت روشنایی سطح خاکستری انجام میشود. ضریب باتاچاریا در حال حاضر در برنامههای مختلف کاربردی بینایی ماشین از قبیل ردیابی اجسام و تشخیص مرز اجسام با موفقیت استفاده شده است. این ضریب مقدار همپوشانی بین دو نمونه آماری را به صورت تقریبی اندازهگیری میکند.
