بخشی از مقاله
چکیده
در سالهای اخیر روشهای زیادی برای تقسیمبندی معرفی و برای تحلیل تصاویر مغزی به دست آمده از رزونانس مغناطیسی - - MR به کار گرفته شده است. در این مقاله،ما یک الگوریتم کاملاً خودکار برای تقسیمبندی بافتهای مغزی، که مبتنی بر تکنیک خوشهبندی ترکیبی هست ارائه میدهیم. الگوریتم پیشنهادی دارای دو فاز آموزش و تست است: در فاز آموزش، تصاویری از دیتاست به عنوان دادههای آموزش به الگوریتم داده میشود سپس پیکسلهای مشابه در این تصاویر در یک گروه قرار گرفته و سوپرپیکسلها را تشکیل میدهد. بعد از این مرحله، شش روش خوشه بندی که سه روش آن فراابتکاری است برای تقسیمبندی هر سوپرپیکسل به کار میرود.
برای هر خوشهبند، یک مدل شبکه عصبی، که ورودیهای آن ویژگیهای استخراجشده از سوپرپیکسلهای تصویر هستند، با استفاده از برچسبهای تولید شده توسط خوشهبندها آموزش داده میشود. مرحلهی تست الگوریتم، مثل مرحله آموزش هست با این تفاوت که با استفاده از شش مدل شبکه عصبی آموزش داده شده، برای پیشگویی کلاس مرتبط با هر سوپرپیکسل به کار میرود و کلاسهای بهدستآمده با استفاده از اکثریت آراء ترکیب میشوند. جهت ارزیابی، مدل ارائه شده روی دیتاست IBSR20 اجرا گردید که نتایج حاصل نشان دهنده برتری روش ترکیبی نسبت به سایر الگوریتم های تقسیمبندی است.
مقدمه
یکی از ابزارهایی که امروزه برای شناسایی و تحلیل بافت های تومور مغزی و تمایز بین بافت های سالم و بافت های توموری به کار می رود، تصویربرداری پزشکی است.تصویر برداری رزونانس مغناطیسی - - MRI یک نوع تصویر برداری پزشکی است که در تشخیص بالینی به کار می رود و کیفیت بهتری نسبت به توموگرافی کامپیوتری - - CT دارد. - MRI . - Dhanachandra,2015 ، از ترکیب میدان های مغناطیسی و امواج رادیویی برای تولید تصویر از بافت ها استفاده می کند که بافت ها را با رزولوشن و کیفیت بالا نشان می دهد.
این تصاویر حاوی اطلاعات مهمی در مورد بافت های مغزی هستند که امکان مطالعه دقیق آسیب شناسی مغزی را برای پزشکان فراهم می کند - . - Nabizadeh,2015 یک مساله مهم در تحلیل بافتهای ناهمگن، مانند بافتهای مغزی، تقسیم کردن ناحیهی تصویر بر مبنای مقادیر شدت مقیاس خاکستری - - gray scale است. بدین معنا که تقسیم بندی یک مرحله ی مهم در پردازش تصاویر پزشکی است. تقسیمبندی تصویر، عبارت است از بخشبندی تصویر به نواحی غیرهمپوشان که ویژگیهای نسبتاً مشابهی دارند.
در تقسیمبندی تصاویر مغزی، تصویر مغز به سه بافت اصلی سفید - - WM، خاکستری - - GM و مایع مغزی نخاعی - - CSF تقسیم می شود . - Z. Ji, 20015 - شکل1 وشکل 2 یک تصویر MR مغزی و قسمتهای برچسب خوردهی مربوط به آن را نشان میدهد.اساساً تقسیمبندی تصویر برای تعیین مرزهای بین بافتهای مغزی و هم چنین تخصیص برچسب به هر پیکسل موجود در تصویر به کار میرود . برچسبهای اختصاص داده شده ، تقسیمبندی و گروهبندی بافتهای مغزی را آسان میکند.
تقسیم بندی شامل روش های مختلفی است که یکی از آن ها روش خوشه بندی می باشد. طبق - Dhanachandra , Manglem, - Chanu,2015 خوشهبندی به عنوان یکی از معمولترین و کاراترین تکنیکها برای تقسیمبندی تصویر در نظر گرفته شده است. k-mean، c-mean فازی - FCM - ، مدل ترکیب گاوسی - GMM - و - SOM - از معروف تربن روش های خوشه بندی هستند.
هر کدام از این روشها، مزایا و معایب خود را دارند. برای مثال پیادهسازی روش k-mean سریع و آسان است ، اما به داده های پرت و مقدار دهی اولیه بسیار حساس است. از طرف دیگر، FCM حساسیت کمتری به مقداردهی اولیه دارد، در حالی که روش SOM در مقایسه با روش K-means برای کلاسهای همپوشان، نتایجنسبتاً بهتری دارد؛ با این وجود، هزینه محاسباتی FCM و SOM بالاست . واضح است که داشتن یک روش خوشه بندی که تمام نقاط قوت را باهم داشته باشد، سخت است. این قضیه باعث شد که ما به دنبال ترکیب کردن تکنیکهای خوشهبندی متعدد برای تولید یک نتیجهی تقسیمبندی باشیم که دو خصوصیت مهم، یعنی بهبود دقت و کاهش هزینهی محاسباتی ، برای فاز تست داشته باشد.
پیشینه
برای تقسیم بندی تصاویر MR روش های متعددی ارائه شده است. - j.vijay,2015 - ، یکی از این روش ها که به صورت خودکار عمل میکند، روش خوشه بندی تصاویر مغزی با استفاده از تکنیک k-means است که شکل و طیف تومور ها را تشخیص میدهد. پس از آن از یک فیلتر میانه - median - برای حذف مصنوعات و تیز کردن لبههای تصویر استفاده میشود، سپس روش خوشه بندی k-means، با استفاده از مقادیر تصادفی مرکزی - centroid - اعمال میشود. یک ماسک باینری برای پیش بینی و محاسبه ناحیه تومور در تصویر، در راستای شناسایی کلاسی با مقادیر کنتراست بالاتر به کار میرود. تکنیک های خوشه بندی فازی نیز برای تقسیم بندی تصاویر MR به کار می روند. این روش ها از اطلاعات هیستوگرام برای مقدار دهی اولیه مقادیر مرکزی استفاده میکنند که هزینه محاسباتی را کاهش میدهد.
در - Y. Kong,2015 - ، یک روش تقسیمبندی بر اساس یادگیری نظری اطلاعات برای تقسیمبندی سطح سوپروکسل ارائه دادهاند. تقسیم بندی متمایزکننده نظری اطلاعات - - ITDS یک روش خوشهبندی برای تحلیل متمایزکردن دادههای مقارن و انتخاب ویژگی بافت های مغزی در سطح سوپروکسل می باشد، و هر دو نیاز به تنظیمات تکراری برای تولید دقت طبقهبندی بیشتر دارند. روال این تنظیمات نیاز به مقدار زیادی زمان برای تولید طبقهبندی خوب دارد.
در - Y. Deng et al,2016 - مفهوم یادگیری فازی و یادگیری عمیق با ارائه یک شبکه عصبی عمیق فازی - FDNN - برای استخراج اطلاعات از نمایش فازی و عصبی به صورت همزمان معرفی شده است. از ترکیب دانش بدست آمده از یادگیری عمیق و منطق فازی برای نمایش نهایی داده هایی که قصد طبقه بندی آن ها را داریم استفاده می شود. کارایی این روش، کاهش عدم قطعیت ها و حذف نویز موجود در داده های اصلی است.
- A. Ortiz et al,2013 - ، دو روش بدون نظارت برای تقسیمبندی تصاویر MR مغزی با استفاده از SOM طراحی کردند. رویکرد اول SOM با تقسیمبندی سریع هیستوگرام - HFS-SOM - نام دارد. در HFS-SOM ویژگیها از هیستوگرام تصویر استخراج میشوند. بردارهای ویژگی، از احتمالات ایجاد شدت، موقعیت نسبی با توجه به مقدار شدت ، میانگین مقادیر احتمالات در یک پنجره ی 3 بین -3 - - bins window و واریانس آن پنجره تشکیل شده است که برای آموزش SOM به کار میرود. سپس k-means برای خوشه بندی لایه خروجی SOM به کار میرود. رویکرد دوم به نام DOM با تقسیم بندی گرادیان انتروپی - - EGS-SOM شناخته میشود.
ویژگیهای آماری مرتبه اول و دوم از پنجرههای همپوشان دراندازه ی 7*7 پیکسل استخراج میشود. برای آموزش SOM ، یک الگوریتم ژنیتک برای انتخاب بهترین ویژگیهای تمایزدهندهاِعمال میشودنهایتاً. خروجیهای SOM با استفاده از الگوریتم کارای EGS خوشه بندی میشوند. روش HFS-SOM سریع تر است زیرا نیاز به تنظیم هیچ گونه پارامتری ندارد در حالی که رویکرد دوم در شرایط نویزی و شدت بد، پایدار تراست.
در - N. Noreen et al,2011 - ، یک روش تقسیم بندی MR هیبرید که از تبدیل گسسته موجک - DWT - و FCM برای از بین بردن ناهمگونی استفاده میکند، ارائه شده است. DWT روی تصویر ورودی MR اعمال میشود تا زیرگروههای LL،LH، HL و HH بدست آید. برای بدست آوردن تصویر تیز شده، ضرایب تخمین زیرگروه LL به صفر تنظیم میشوند. سپس ، تبدیل معکوس موجک گسسته برای بدست آوردن یک تصویر پرقدرت اعمال میشود. تصویر بدست آمده با استفاده از تکنیک FCM تقسیمبندی میشودنهایتاً. ماسک تشخیص لبه Kirch برای پر کردن اطلاعات لبههای از دست رفته و بهبود تصویرخروجی به کار میرود.
- R. Katyal et al,2013 - یک روش تقسیمبندی خودکار تصاویر MR مغزی، ارائه داده اند.برای هر برچسب، شدتهای وکسل های تمام توالیهای MRI با استفاده از توزیع گاوسی مدل میشوند. پارامترهای توزیع گاوسی به عنوان حداکثر احتمال درست نمایی ارزیابی میشوند و احتمال آخر هر برچسب با استفاده از تخمین بیزین تعیین میشود. شدت ناحیه ای، بافت، موقعیت مکانی وکسل ها و آخرین احتمال تخمین زده شده به عنوان ویژگیهایی که برای طبقهبندی هر وکسل در یکی از چهار کلاس - CSF، GM، WM و پس زمینه - به کار میرود، به همراه یک ماشین بردار پشتیبان چند رده ای استفاده میشوند.
برای به کار گیری مزایای برخی از تکنیک های خوشه بندی موجود، یک تکنیک ترکیبی خوشه بندی برای بدست آوردن تقسیم بندی دقیق بافتهای مغزی، معرفی شده است. قسمت بعدی، روش ارائه شده را بررسی میکند.
الگوریتم پیشنهادی
الگوریتم ارائه شده در این مقاله برگرفته از - H. Al -Dmour et al 2018 - است. این الگوریتم برای تقسیم بندی بافت های مغزی از تکنیکهای مختلف خوشهبندی و شبکه های عصبی مصنوعی استفاده میکند. به این صورت که ابتدا هر کدام از شبکه های عصبی را به صورت مجزا با هر کدام از تکنیک های خوشه بندی آموزش داده و سپس تقسیم بندی انجام می شود. نتایج حاصل از یادگیری این تقسیم بندی ها با استفاده از رویکرد اکثریت آرا ترکیب می شود. این کار، در مقایسه با استفاده از الگوریتم های خوشهبندی اصلی، به بهبود کارایی کلی تقسیمبندی و کاهش هزینه محاسباتی مرحله تست کمک میکند.
روش ارائه شده به دو مرحله اصلی تقسیم می شود: آموزش و آزمون. همان طور که در ادامه می آید، هر مرحله شامل چندین مرحله است.
