بخشی از مقاله
چکیده
در دهههای اخیر به دلیل تماس بیشتر پوست با اشعهی ماوراءبنفش، سرطان پوست رشد زیادی داشته است. با تشخیص زودهنگام سرطان پوست ، 95 تا100 درصد بیماری، بهطور موفقیتآمیز درمان میشود. ازاینرو، روشهای کامپیوتری زیادی برای کمک به متخصصین پوست توسعهیافتهاند. در این فرآیند مکانیزه یکی از ارکان اصلی، شناسایی و حذف مو از ناحیه ضایعه پوست است. یکی از روشهای شناسایی مو، استفاده از تبدیل هاف است. الگوریتمهایی که بر این مبنا توسعهیافتهاند، نسبت به نویز حساس بوده و دقت نتایج را به میزان محسوسی تحت تاثیرقرار میدهند. الگوریتم پیشنهادی مبتنی بر تبدیل هاف تصادفی است و نوع منحنی مورداستفاده در آن بزیئر است. این الگوریتم بهمنظور بالا بردن دقت، روشی جهت انتخاب نقاط کنترلی منحنی بزیئر ارائه مینماید.
.1 مقدمه
بر اساس مطالعات اخیر بیش از 3/5 میلیوننوع سرطان پوستِ شناختهشده وجود دارد. که سه نوع آن حدود 99درصد از تمام مواردِ تشخیص دادهشده را به خود اختصاص میدهند. این سه عبارتاند از: سرطان سلولهای پایه - 1BCC - ، سرطان سلولهای فلسی - - 2SCC ، و ملانوما.3 ملانوما خطرناکترین نوع سرطان پوست است که از سلولهای ملانوسیت4 یا رنگدانه ساز پوست در اپیدرم منشأ میگیرد. بروز این نوع سرطان در سالهای اخیر در حال افزایش است.
قرار گرفتن در معرض نور خورشید، به دلیل اثرات مخرب اشعه ماوراءبنفش، علت اصلی سرطان پوست است . با از بین رفتن لایه اوزون، اشعه ماوراءبنفش بیشتری به پوست میرسد و خطر ابتلا به سرطان پوست افزایش مییابد. با افزایش روند برنزه شدن و قرار گرفتن در معرض نور خورشید و یا با استفاده از تختهای برنزه شدن، پوست در مقابل اشعه ماوراءبنفش - UV - حساستر و آسیبپذیرتر میشود. در سال 2015 در آمریکا تقرباًی 73870 مورد ملانوما تشخیص دادهشده است و از این میان 9940 نفر در معرض مرگ میباشند.
همچنین، سابقه خانوادگیِ سرطان پوست بین 5 تا10 درصد از ملانومای تشخیص دادهشده را تشکیل میدهد. باوجود اینکه این نوع سرطان پوست، کمتر از 5 درصد از کل سرطانهای پوست را شامل میشود، عامل اصلی مرگومیرها در میان سرطانهای پوست است، که در صورت تشخیص زودهنگام نرخ بهبودی نزدیک به 100 درصد است. لذا الگوریتمهای بینایی و محاسباتی زیادی برای کمک به متخصصین در تشخیص زودهنگام لکههای پوستی توسعهیافتهاند. در الگوریتمهای خودکارسازی دو گام اصلی وجود دارد که عبارتاند از حذف اثرات تصنعی و شناسایی و طبقهبندیِ لکههای پوست. اکثر تحقیقات بر روی گام شناسایی و طبقهبندی متمرکزشدهاند و حذف اثرات تصنعی سهم کمتری دارد.
مهمترین گام در حذف اثرات تصنعی، حذف مو است . موی انسان تمام بدن را پوشش میدهد و طیف وسیعی از رنگها، بافتها و جهتگیریهای مختلف دارد. تصاویر شامل ضایعات پوشیده شده با مو در مرحله تشخیص ضایعه با مشکل مواجه میشوند زیرا مو باعث ایجاد اختلال در گام شناسایی و طبقهبندی ضایعه میگردد. لذا در این مقاله تمرکز اصلی بر روی شناسایی مو از تصاویر قرارگرفته است. پیکربندی مقاله در ادامه بهصورت زیر است: در بخش دو به مروری بر کارهای گذشته ، در بخش سه به ارائه روش پیشنهادی، در بخش چهار به بررسی نتایج روش پیشنهادی و نهاتاًی به نتیجهگیری و پیشنهادها میپردازیم.
.2 کارهای پیشین
در این بخش به بررسی روشهای مختلف تشخیص و حذف مو در تصاویر درموسکوپی 5 میپردازیم. درموسکوپی یک فن تصویربرداری پوست بهصورت غیرتهاجمی است که بهعنوان سودمندترین روش کلینیکی شناختهشده است. وضوح تصویربرداری در نشان دادن الگوهای رنگدانهای لکههای پوست بسیار سودمند است . مطالعات گسترده نشان میدهد که این روش، دقت تشخیص را حدود %30 در مقایسه با مشاهده کلینیکی ساده افزایش میدهد و پزشک به کمک آن میتواند ویژگیهای مورفولوژیکی متعددی را ارزیابی کند و مانع از بیوپسیهای6 غیرضروری میگردد. بااینحال به علت وجود ویژگیهای متعدد در ضایعات پیگمانته، ارزیابی کیفی این ویژگیها از روی تصویر توسط متخصصین پوست7 بسیار مشکل است و در این صورت دقت تشخیص وابسته به درماتولوژیست و تجربه او است . بنابراین یک سیستم تشخیصی که ضایعات پوستی را بهصورتکمّی ارزیابی کند ضروری است.
تصاویر درموسکوپی اغلب شامل اثرات تصنعی8 از قبیل حبابهای روغن و هوا، مو، خطوط پوستی و درجهبندی سیستم درموسکوپ است. بنابراین بهمنظور افزایش دقت در لبه یابی ضایعه، حذف آرتیفکت از این تصاویر امری ضروری است. اگر این آرتیفکتها روی ضایعه قرار گیرند باعث حذف اطلاعاتی چون بافت و لبههای ضایعه میگردند. با بهکارگیری درموسکوپهای پلاریزه جدید، آرتیفکت حباب هوا و روغن از تصاویر حذفشده است. اما حذف مو از تصاویر درموسکوپی بهعنوان یک چالش جدی بهحساب میآید و در دستگاههای تشخیص کامپیوتری یک روش خودکار حذف مو بهطوریکه ویژگیهای ضایعه را حفظ کند بسیار ضروری است.
در روشهای فعلی مرحله حذف مو را میتوان به دو بخش تفکیک کرد: - 1 آشکارسازی و حذف پیکسلهای مو در تصویر، و - 2 تخمین رنگ و بافت پوست زیر مو و جایگزینی پیکسلهای مو با پیکسلهای تخمینی از پوست اطراف. روشهای مختلفی برای آشکارسازی و حذف پیکسلهای مو از تصویر ارائهشده است، که یکی از مهمترین این روشها تبدیل هاف است. تبدیل هاف بهصورت گستردهای برای تشخیص اشکال در تصاویر نویزی، در کاربردهای بیناییِ کامپیوتر مورداستفاده قرار میگیرد. این تبدیل شامل سهگام زیر است: نازک سازی تصویر9، انباره سازی مقدار سلول10، و رأیگیری برای تشخیص مقدار پیک. در گام نازک سازی، یک روش استاندارد برای شناسایی لبه بهمنظور استخراج پیکسلهای لبه در تصویر ورودی، انجام میشود.
در گام انباره کردن مقدار سلول، هر پیکسل لبه به یک منحنی در فضای پارامتر - فضای هاف - تبدیل میشود، و مقادیر عناصر متناظر در فضای هاف - سلولهای هاف - یک واحد اضافه میشود. پسازآن، گام رأیگیری برای پیدا کردن پیک - حداکثر محلی - در فضای هاف انجام میشود، که درنهایت پارامترهای متناظر با این پیکها، پارامترهای اشکال شناساییشده میباشند. گام انباره سازی مقدار سلول در تبدیل هاف مهم است. دو روش مختلف در این مرحله استفاده میشود. روش اول پیدا کردن تمام پیکسلهای لبه متناظر با هر سلول هاف است.
ازآنجاکه این روش بهصورت مستقیم شکل موردنظر را توصیف میکند، این روش نگاشت روبهجلو11 نامیده میشود. روش دوم پیدا کردن تمام سلولهای هاف متناظر با هر پیکسل لبه است. ازآنجاکه این روش پارامترهای شکل را بهصورت روبه عقب12 از مختصات پیکسلهای تصویر پیدا میکند، در اینجا روش نگاشت روبه عقب نامیده میشود. درروش روبهجلو، اگر شکل موردنظر با تابع F توصیف شود، پیکسلهایی با مختصات - u,v - در حوزه هاف که در معادله F - u,v - =0 صدق کنند، نمایانگر پیکسلهای لبه در حوزه تصویر هستند .
[1] درروش تبدیل هاف تصادفی پنجرهای [2] WRHT، در هر تکرار، یک نقطه در تصویر انتخاب میشود. سپس یک منحنی به یک همسایگی با سایز مشخص از آن نقطه برازش میشود. اگر خطای برازش از یک مقدار مشخص کمتر باشد منحنی شناساییشده است. روش تبدیل هاف تصادفی همبند [3] CRHT، مشابه روش WRHT است. با این تفاوت که برای برازش، تنها از نقاطی از پنجره استفاده میکند که با نقطه مرکز پنجره از طریق 8 مسیر همبند باشد.
در این نوع نگاشت، ازآنجاکه مختصات - u,v - در عمل همراه با خطاهای گسسته سازی، نویز، شناسایی لبه، کالیبراسیون دوربین و ... میباشند، پیکسلهای مذکورتماماً روی منحنی نخواهند بود. برای این منظور در مقاله [1] روش آستانه گذاری پویا در تبدیل هاف بهمنظور شناسایی منحنیهای پیچیده در تصاویر پیشنهادشده است. این روش برای - u,v - های مختلف، میتواند با شناساییِ پیکسلهای تصویر که در منحنی به مرکزیت F - u,v - =0 و با عرض برابر W در اطراف منحنی قرار دارند، خطا را تحمل کند.
در نگاشت رو به عقب، پارامترهای شکل بهصورت رو به عقب از طریق مختصات پیکسلهای تصویر به دست میآیند. در [4] روشی ارائهشده است که از دو پیکسل تصویر برای محاسبه پارامترهای خط استفاده میکند. برای محدود کردن تعداد ترکیبات جفت پیکسلها، تصویر بخشبندی میشود معمولاً - به 64 ناحیه - و فرآیند رأیدهی بخش به بخش اعمال میشود. در[5] یک اکتشاف تکرارشونده "درشت به ریز"13 از فضای پارامتر به نام تبدیل هاف سریع - FHT14 - پیشنهادشده است.
در FHT ، فضای پارامتر بهصورت بازگشتی به ابرمکعبهایی15 از رزولوشن کم به زیاد تقسیم میشود، و هر بار تبدیل هاف تنها به ابرمکعبهایی اعمال میشود که آراء آنها از آستانه موردنظر بیشتر باشد. این فرآیند تقسمِی مجدد تا زمانی که هر چهارگوش به سایز از پیش تعیینشده برسد و یا امتیازش به آستانه تعیینشده نرسد، ادامه دارد. و در نهایت، چهارگوشهای باقیمانده برای انتخاب قلههای نامزد استفاده میشوند.
یکی از مشکلات اصلی تبدیل هاف، پیچیدگی زمانی آن در هنگام تشخیص منحنی است. پیچیدگی زمانی رابطه مستقیم و از مرتبه چندجمله ای با تعداد پیکسل های تصویر دارد. لذا برخی روشها از ایده نمونهبرداریِ تصادفی استفاده میکنند. بهطوریکه با انتخاب یک زیرمجموعه کوچک نقاط از مجموعه دادههای ورودی اصلی بهصورت تصادفی، صرفهجویی محاسباتی قابلتوجهی به دست آوردیم. در روش تبدیل هاف احتمالاتی [6] ProbHT، یک زیرمجموعه از نقاط لبه بهصورت تصادفی انتخاب میشود، و پسازآن تبدیل هاف به هر نقطه از زیرمجموعه اعمال میشود. درروش تبدیل هاف تصادفی [7] RHT، برای یک منحنی که با یک معادله n پارامتری تعریف میشود، n پیکسل بهتصادف انتخابشده و به یک نقطه در حوزه پارامتر نگاشت میشود.
- بهجای آنکه یک نقطه به یک ابر صفحه n-1 بعدی در فضای پارامتر نگاشت شود - . در [8] هر بار یک نقطه شروع از میان نقاط ویژگی بهتصادف انتخاب میشود و هر ترکیب دونقطه با نقطه شروع16، و یا برخی ترکیبات دونقطه که بهتصادف انتخاب میشوند [9]، در یک تک مقدار در حوزه هاف انباره میشود. هنگامیکه به آستانه از پیش تعیینشده رسیدیم، خط شناساییشده حذف میشود و فرآیند نمونهبرداری ادامه پیدا میکند تا زمانی که تمام نقاط حذف شوند. تبدیل هاف تصادفی پویا DRHT [10]، یک الگوریتم تکرارشونده از دو RHT است.
در هر تکرار، ابتدا RHT اول اعمال میشود، تا زمانی که یک حداکثر سراسری پیدا شود. سپس مجموعه نقاط ویژگی با جمعآوری نقاط از نزدیکی خط پیداشده در گام اول، تشکیل میشود. این بار RHT دوم با رزولوشن بالاتر، به نقاط ویژگی پیداشده در گام اول اعمال میشود. ایده نمونهبرداری تصادفی در کاهش زمان محاسباتی بسیار موثر است اما دقت نتایج را تحت تاثیر قرار میدهد. در ادامه با ارائه سیستم پیشنهادی سعی در استفاده از ایده نمونه برداری تصادفی داریم به گونهای که دقت نتایج تغییر محسوسی نکند.
.3 روش پیشنهادی
در این بخش به بررسی روش پیشنهادی میپردازیم. قبل از اعمال الگوریتم ا صلی میبای ست یک مرحله پیشپردازش بر روی ت صاویر ورودی اجرا شود که در آنیک الگوریتم لبهیاب بر روی تصویر ورودی اعمال خواهد شد. برای این منظور از ل به یاب کنی است فاده میکنیم که به ک مک آن مجموعه پیکسلهای لبه تصویر را به دست میآوریم. سپس الگوریتم 1 را روی ت صویر لبه اعمال میکنیم. در این الگوریتم BEP مجموعه پیک سلهای لبه قرارگرفته در حا شیه یک زیر ت صویر ا ست و NBEP مجموعه پیک سلهای لبه قرارگرفته در ناحیه داخلی همان زیر تصویر است. در این مقاله از الگوریتم تبدیل هاف تصادفی استفادهشده است و نوع منحنی مورداستفاده در آن بزیئر17 ا ست.
یک منحنی بزیئر تو سط یک مجموعه از نقاط کنترلی 0. … . تعریف می شود. که در آن n مرتبه معادله منحنی است n=1 - برای خط، n=2 برای منحنی در جهدو و ... - . دونق طه کنترلی اول و آخر، نقاط شروع و پایان منحنی هستند و نقاط کنترلی میانیعموماً روی منحنی قرار نمیگیرند. مزیت این روش این است که حافظهای برای نگهداری فضای هاف درنظر گرفته نشده است و هر مجموعه از نقاط کنترلی، معرف یک سلول در فضای هاف است.
.4 نتایج و آزمایشها
بهمنظور ارزیابی الگوریتمهای آشکارسازی مو در این تحقیق از 50 تصویر درموسکوپی حاوی مو و آرتیفکت خطوط مدرج استفاده گردیده است. تصاویر از کلینیک پوست بیمارستان قائم و بیمارستان امام رضا مشهد جمعآوری شده است. 50 تصویر انتخابشده از نوع ضایعات پوستی خوشخیم و بدخیم است. فرمت کلیه تصاویر RGB بوده و ابعاد آن از 520× 340 پیکسل تا 1000×1200 پیکسل متغیر است.
ابتدا آرتیفکتهای مو و خطوط مدرج در تصاویر توسط پزشک بهطور دستی با استفاده از نرمافزار فتوشاپ لبه یابی شده و ماسک مو، بهدستآمده است. تصاویر لبه یابی شده بهصورت دستی در ارزیابی عملکرد الگوریتمهای پیشنهادی بهعنوان استاندارد طلایی مورداستفاده قرار میگیرد. بهمنظور تعیین دقت الگوریتم آشکارسازی مو بهصورتکمّی، آنالیز آماری روی دو گروه از تصاویر شامل تصاویر آشکارسازی شده بهصورت خودکار و لبه یابی شده بهصورت دستی، صورت گرفته است و برای این هدف سه پارامتر آماری با عنوان TDR18، FPR19، و DA20 محاسبهشده است.
