بخشی از مقاله
چکیده-
هدف از این مقاله انتخاب ویژگیهای مطلوب و بهینه برای ارائه یک سیستم مبتنی بر طبقهبندی کنندهها جهت جداسازی نواحی سفید، خاکستری و مایع مغزی-نخاعی در یک تصویرMRI سه بعدی است. برای این منظور 21 ویژگی شامل شدت روشنایی وکسل، میانه، میانگین، انحراف استاندارد، انرژی، کنتراست، آنتروپی، همبستگی، گشتاور هندسی اول، دوم و سوم برای هر وکسل استخراج و سپس قابلیت این ویژگیها درجداسازی سه ناحیه مورد نظر با استفاده از روش انتخاب متوالی رو به جلو که در آن هدف بهینه کردن خطای یک طبقهبندی کننده بود بررسی شد.
نتایج بدست آمده نشان میدهد که نه تنها فقط چهار ویژگی شدت روشنایی وکسل، میانه، گشتاور هندسی اول و دوم برای ارئه اینچنین سیستمهایی کافی است، بلکه استفاده از این تعداد ویژگیها باعث بهبود صحت عملکرد سیستم - حدود - %7 و افزایش سرعت آن می شود.
-1 مقدمه
امروزه از تصویربرداری تشدید مغناطیسی - MRI - در زمینه-های متفاوتی از مطالعه و تشخیص ساختارها و بافتهای مغز استفاده میشود.[1] اما تحلیل تصاویر پزشکی کاری پیچیده است، زیرا که آنها هم حجم زیادی از اطلاعات را در بر میگیرند و هم در برخی موارد آثار مخربی از قبیل نویز باعث مشکل شدن استخراج اطلاعات مورد نظر از این تصاویر میشود.بنابراین، استفاده از روشهای پردازش تصویر میتواند کمک شایانی به کاربران در آنالیز و بررسی تصاویرMRI کند. یکی از این تکنیک-های پردازش که بطور وسیعی در آنالیز تصاویر MRI استفاده شده است، ناحیهبندی تصویر است.
ناحیه بندی تصویر عبارت است از تقسیم بندی تصویر به تعدادی نواحی مجزا بطوریکه: - 1 از ترکیب این نواحی تصویر اولیه ایجاد شود؛ - 2 نواحی با هم اشتراکی نداشته باشند؛ - 3 پیکسلهای تشکیل دهنده یک ناحیه همگی با توجه به اثر مشترکی همگون باشند، به عبارتی دیگر در هر ناحیه یک خاصیت خاص صادق باشد. در مورد تصاویرMRI مغز انسان، ناحیه بندی تصویر به منظور تفکیک و جداسازی ساختارها و یا بافتهای متفاوت موجود در تصویرMRI از یکدیگر صورت می-گیرد.
از نقطه نظر ناحیهبندی، ناحیهبندی تصاویرMRI مغزی را میتوان در دو مفهوم کلی در نظر گرفت. در مفهوم اول، ناحیه-بندی تصاویر مغزی عبارت است از جداسازی مغز از سایر بافت-های موجود در تصویر. الگوریتم های ایجاد شده با این دیدگاه به نام الگوریتمهای حذف بافتهای غیرمغزی، استخراج مغز و یا حذف جمجمه شناخته میشوند. در بیان مفهوم دوم، ناحیهبندی مغز به معنی تفکیک بافتهای مختلف و یا ساختارهای متفاوت موجود در فضای مغزی از یکدیگر میباشد. در تفکیک بافتهای مغزی، پیکسل - وکسلهای - موجود در تصاویر دو - سه - بعدی MRI مغزی به سه دسته ماده سفید - WM - ، ماده خاکستری - GM - و مایع مغزی-نخاعی - CSF - دسته بندی میشوند.
نتایج حاصل از این ناحیهبندی معمولا در تشخیص محل تومورها و پاتولوژیها [2]، اندازهگیری حجم بافتها[3]، مطالعه ساختار آناتومیکی مغز و تبیین روشهای درمانی استفاده میشود.[8-4] بطور کلی روشهای ارائه شده برای ناحیهبندی تصاویر مغزی به سه بافت WM، GM و CSF را میتوان به سه گروه تقسیم کرد: کاربر محور - دستی - ، نیمهخودکار و خودکار.
در روشهای دستی، ناحیهبندی توسط یک کاربر انجام میشود. این روشها شامل روشهایی چون آستانهگذاری، رشد ناحیه ای، ترکیب و جداسازی نواحی و تشخیص لبه میشوند. ناحیهبندی تصاویر با کمک این روشها با چالشهایی جدی روبرو است. ناحیه بندی دستی تصاویر سهبعدی MRI که عموما با دقت مکانی بالا نیز گرفته میشوند، عملی طاقت فرسا و زمانبر میباشد که انجام آن برای تعداد زیادی از تصاویر به راحتی امکان پذیر نیست.
از طرف دیگر به دلیل پیچیدگی این عمل، میزان خطا در ناحیه بندی دستی می تواند قابل توجه باشد. همچنین، نتیجه ناحیه بندی به شکل دستی وابسته به تجربه شخص بوده و از یک فرد به فرد دیگر و یا حتی در برخی از موارد برای یک فرد هم میتواند متغیر باشد. لذا تلاش زیادی جهت ارائه الگوریتمهایی که به صورت خودکار عمل ناحیه بندی را انجام دهند شده است.
در روشهای ناحیهبندی نیمهخودکار سعی شده است تا حد امکان وابستگی به کاربر کاهش داده شود. از جمله این روشها میتوان به روشهای مبتنی بر خوشهبندی9]و[10، مدل مارکو [11] و مدلهای فرو پذیر 11]، 12و[13 اشاره کرد. در این نوع ناحیهبندی در واقع برخی از پارمترهای الگوریتم مورد استفاده - بعنوان مثال مرکز اولیه خوشهها در روشهای مبتنی بر خوشه بندی - توسط کاربر انتخاب شده و نواحی مورد نظر در تصویر توسط الگوریتم انجام میشود. عملکرد این روشها بهتر از روش-های دستی است، ولی همچنان به تنظیم و تعیین پارامترهای الگوریتم مورد استفاده نیاز دارد.
در روشهای خودکارکلیه مراحل ناحیه بندی توسط الگوریتم بکار برده شده انجام میشود و دخالت کاربر به حداقل ممکن کاهش داده میشود. در این روش ها از اطلاعات سطح بالا مانند اطلاعات پیشین، قوانین تعریف شده توسط متخصص و مدل های شکلی استفاده میکنند. که میتوان روش هایی از جمله روش های مبتنی بر اطلس، روش های مبتنی برطبقهبندی کننده-ها - Classifier - ، قوانین تعریف شده توسط متخصص یا استخراج شده از داده ها، شبکه های عصبی مصنوعی[14] یامدلهای شکلی[15] نام برد. از مزایای این روشها نسبت به روشهای کاربر محور و نیمهخودکار میتوان به سرعت و صحت بالاتر اشاره کرد.
بنابراین، امروزه استفاده از الگوریتمها و سیستم های ناحیه بندی خودکار بیشتر مد نظر قرار گرفته است. بطور کلی روش های ناحیهبندی مبتنی برطبقهبندی کنندهها، قوانین تعریف شده یا شبکه های عصبی مصنوعی روشهای پیکسل به پیکسل - وکسل به وکسل - هستند. به عبارت دیگر در این روشها هر پیکسل - وکسل - بررسی شده و گروه - کلاس - مربوطه تعیین می شود. بدین معنی که ممکن است تعیین شود که وکسل مورد نظر مربوط به کدام یک از سه بافت مورد نظر مغز - WM، GMیا - CSF است. که در نهایت با تعیین نوع بافت تمام پیکسل-ها یا وکسلهای تصویر مورد مطالعه و نواحی مورد نظر در تصویر مشخص و یا به اصطلاح تصویر ناحیهبندی میشود. یکی از مراحل مهم این نوع ناحیهبندی استخراج ویژگی است.
استخراج ویژگی فرایندی است که در آن ویژگیهای بارز و تعیین کنندهی هر وکسل برای تعیین گروه آن مشخص میشود. این مرحله از مهمترین مراحل ناحیهبندی تصویر با استفاده از روشهای مبتنی بر شناسایی الگو - مانند روشهایی بر مبنای خوشهبندی یا روشهای مبنی بر شبکههای عصبی - است. تاکنون ویژگیهای زیادی برای بیان این منظور بیان شده است که بطور کلی می توان آنها را به دو نوع ویژگی آماری وغیر آماری تقسیم کرد.
تعداد ویژگیها هرچه بیشتر باشد تمایز بهتری را میتوان بین وکسلها قایل شد اما به دلیل زیاد شدن ابعاد بردار ویژگیها پیچیدگی مسئله نیز افزایش مییابد، سرعت تشخیص کم و هزینه محاسبات افزایش مییابد. در بسیاری موارد متعادل نبودن نسبت ویژگیهای استخراج شده به کل اطلاعات مورد نیاز در مورد هر کلاس باعث کاهش کارایی سیستم میشود. بنابراین انتخاب یک زیرمجموعهی مناسب از ورودیها میتواند هم در دقت کلاسبندی و هم در سرعت آن مثمر ثمر باشد. در این مقاله سعی شده است امکان کاهش تعداد ویژگیهایی که برای ناحیهبندی تصاویر سهبعدی MRI با کمک روشهای مبتنی بر شناسایی الگو بکار برده شده بررسی شود. جزئیات این تحقیق در زیر آورده شده است.
-2 روش کار
به منظور جداسازی نواحی سفید، خاکستری و مایع مغزی-نخاعی همانطور که در شکل1 آورده شده است، لازم است مراحلی به ترتیب انجام شود، که در ادامه هر مرحله توضیح داده شده است.
شکل : 1 فلوچارت روش پیشنهادی
1-2 پیش پردازش
ناحیهبندی تصاویر MRI با دقت بالا، به عوامل بسیاری از جمله کنتراست بین بافت ها، تفکیکپذیری بین بافتها در تصاویر گرفته شده، نسبت سیگنال به نویز و نایکنواختی شدت روشنایی بافت ها بستگی دارد. تغییرات در هر یک از عوامل فوق می تواند اثرات قابل توجهی در دقت نتیجه ناحیه بندی داشته باشدعموماً. در تصاویر گرفته شده از مغز بافت های زائدی حضور دارند که با حذف آنها پیش از انجام عمل ناحیهبندی تصویر می توان دقت ناحیه بندی را افزایش داد. پیش پردازش عملیاتی همچون، حذف تمام بافت های غیرمغزی مانند استخوانها، پرده های ماهیچه ها و چربی از تصویر MRI است. که در این مقاله از روش 1BET استفاده شده است
نا یکنواختی های شدت روشنایی2، تغییرات در شدت روشنایی تصویر است که این نایکنواختی ها می توانند از عدم یکنواختی در کویل RF، ناهمگنی در میدان مغناطیسی بایاس در سیستم تصویربرداری و یا طرز قرارگیری بیمار در حین تصویربرداری باشد که باعث می شود ساختارها و بافت های آناتومیکی یکسان در کل تصویر از لحاظ شدت روشنایی مشابه نباشند. که در این مقاله برای اصلاح نایکنواختی شدت روشنایی از نرم افزار FSL استفاده شده است و در نهایت برای بهبود کنتراست تصویر از روش تطبیق هیستوگرام استفاده شده است.
در شکل2 نتایج حاصل از پیش پردازش نمایش داده شده است.
2-2 استخراج ویژگی
ویژگیها و خصوصیات شدت روشنایی یک وکسل در این پژوهش براساس این فرضیه استفاده شدهاند که وکسلهای هم نوع با همسایگانشان خصوصیات بافتی یکسان دارند و لذا میتوان از این نوع ویژگیها برای تعیین نوع گروه یک وکسل استفاده کرد. ویژگیهای به کار رفته در این پژوهش شامل شدت روشنایی وکسل، میانه، میانگین، انحراف استاندارد، انرژی، کنتراست، آنتروپی ، همبستگی، گشتاور هندسی اول، دوم و سوم هستند. در مجموع 21 ویژگی برای هر وکسل انتخاب شد. جزئیات محاسبه و فرمولهای مربوطه، در [16] آورده شده است.
شکل : 2 الف - تصویری که اصلاح نایکنواختی روی آن انجام شده است ب - تصویر با بهبود کنتراست، ج - حذف جمجمه در تصویر
3-2 انتخاب ویژگی
در این قسمت، هدف شناسایی ویژگی هایی است که در کار طبقهبندی وکسل کمکی نمی کنند. به عبارت دیگر، در اینجا هدف پیداکردن d ویژگ ی مطلوب از بین 21 ویژگی موجود است؛ بطوریکه تابع هدف بهینه گردد. تابع هدف را میتوان خطای طبقهبندی کننده مورد نظر یا محتوای اطلاعاتی که ویژگیها در بردارند انتخاب کرد . در این تحقیق مطابق با شکل 3 تابع هدف خطای طبقه بندی کننده انتخاب شده است.
از آنجا که تعداد ویژگیهای اولیه بالا است 21 - ویژگی - برای یافتن d ویژگی مطلوب از روش جستجوی جامع نمیتوان استفاده کرد. در روش جستجوی جامع تابع معیار برای تمام زیرمجموعههایd بعدی ممکن محاسبه میشود
