بخشی از مقاله
چکیده
تصاویر پزشکی برای تشخیص انواع بیماریها کاربرد اساسی دارند و شیوههای مختلفی برای تصویربرداری پزشکی تاکنون ارایه شده است که یکی از کم زیانترین آنها تصاویر تشدید مغناطیس مغز است. تصاویر تشدید مغناطیس مغز با استفاده از تغییرات میدان مغناطیسی مغز تهیه میشوند و از آنها برای تشخیص تومورهای مغزی یا سایر بیماریها استفاده میشود. ناحیهبندی تصاویر تشدید مغناطیسی مغز یک روش موثر برای تشخیص نواحی تومور مغزی است که میتواند در تشخیص دقیق مرز و لبه تومورها بکار گرفته شود.
روشهای مختلفی برای ناحیهبندی تومورهای مغزی وجود دارد که یکی از آنها خوشهبندی فازی است که به دلیل حساسیت اندک به نویز دقت نسبتاً قابل قبولی در ناحیهبندی تصاویر پزشکی دارد. بهبود دقت ناحیهبندی توسط الگوریتم خوشهبندی فازی باعث میشود نواحی تومور مغزی با دقت بیشتری استخراج شوند. در این پژوهش یک روش جدید با استفاده الگوریتم همزیستی جانداران برای بهبود خوشه-بندی فازی ارایه و معرفی شده است تا دقت الگوریتم خوشهبندی فازی در ناحیهبندی تصاویر و تشخیص تومور مغزی افزایش یابد. نتایج آزمایشات ما در محیط برنامهنویسی متلب و بر روی مجموعهای از تصاویر تشدید مغناطیس مغز نشان میدهد روش پیشنهادی دارای دقت، حساسیت و صحتی به ترتیب برابر % 91,23، %92,46 و %92,39 در تشخیص تومورهای مغزی است.
مقدمه
امروزه برای تشخیص انواع بیماریها روشهای مختلفی در پزشکی ارایه میشود که یکی از کاربردیترین آنها استفاده از استفاده از تصاویر پزشکی1 است. پزشکان به کمک تصاویر پزشکی میتوانند در مورد بیماریهای نظیر تومورهای مغزی 2 اظهار نظر نمایند. تصاویر پزشکی دارای انواع مختلفی است که از جمله آنها میتوان به تصاویر تشدید مغناطیسی مغز3 اشاره نمود که از فناوری تغییرات میدان مغناطیسی در مغز جهت ثبت تصاویر پزشکی استفاده مینمایند.
تصاویر تشدید مغناطیسی مغز به علت عدم استفاده از هرگونه اشعه مضر و زیانبار یک روش سالم و ایمن برای تصویربرداری از بافتهای حساس بدن نظیر مغز می-باشند - . - Parvez et al, 2014 یکی از مزایای مهم تصاویر تشدید مغناطیسی مغز کشف بیماریهای مرتبط با سیستم عصبی و مغز نظیر تومور مغزی، بیماری آلزایمر4، بیماری اماس5 و بیماری پارکینسون6 است - . - Ohtsuka et al, 2013 تومورهای مغزی یک نمونه از بیماریهای خطرناک در ارتباط با مغز است که میتوان توسط تصاویر تشدید مغناطیسی مغز تا حدودی آن را آشکار نمود.
در تصاویر تشدید مغناطیس مغز میتوان نشانههای از لبه و مرز7 تومورهای مغزی را با چشم مشاهده نمود اما به علت وجود نویز8 در تصاویر و عدم وضوح تصاویر یافتن دقیق نواحی تومور یک امر چالشبرانگیز محسوب میشود - El -Dahshan et . - al, 2014 یکی از روشهای مهم تشخیص تومور مغزی استفاده از تکنیکهای ناحیهبندی تصاویر در پردازش تصویر9 است. در واقع به کمک روشهای کشف دانش نظیر روشهای دادهکاوی10 و یادگیری ماشین11 میتوان در پردازش تصویر تصاویر تشدید مغناطیسی مغز را مورد تجزیه و تحلیل قرار داد تا الگوی پنهان تومورهای مغزی شناخته و استخراج شوند.
روشهای مختلفی برای ناحیهبندی12 وجود دارد که یکی از آنها تکنیکهای خوشهبندی13 در دادهکاوی14 میباشند که به علت سهولت در یادگیری و نتایج نسبتاً قابل قبول در بسیاری از پژوهشها مورد استفاده قرار گرفته شده است. خوشهبندی فازی15 یکی از تکنیکهای موثر خوشهبندی و ناحیهبندی تصاویر تشدید مغناطیسی مغز است و به علت عدم حساسیت بالا به نویز در پردازش تصاویر پزشکی کاربردی اساسی دارد - . - Abdel-Maksoud et al, 2015 یکی از چالشهای مهم در ناحیهبندی تصاویر پزشکی توسط تکنیکهای خوشهبندی و از جمله تکنیک خوشهبندی فازی تعیین دقیق لبه و مرز تومورهای مغزی است.
تعیین دقیق لبه و مرز تومورهای مغزی و به عبارت بهتر ناحیهبندی دقیق تومورهای مغزی باعث میشود که پزشکان در درمان تومورهای مغزی موفقیت بیشتری داشته باشند و بافت سالم را به درستی از بافت توموری تشخیص داده و در عمل جراحی دقت بیشتری برای برداشتن ناحیه تومور داشته باشند. کمینه نمودن خطا در ناحیهبندی تومور مغزی با استفاده از الگوریتم خوشهبندی فازی را میتوان از منظر یک مسئله بهینهسازی 16 در نظر گرفت. مسئله انتخاب دقیق نواحی تومور مغزی در ناحیهبندی یک مسئله سخت و دشوار17 است که روش قطعی برای آن وجود ندارد و بیشتر روشهای موجود برای کاهش خطا مبتنی بر روشهای ابتکاری18 میباشند.
با توجه به ماهیت بهینهسازی کاهش خطای ناحیهبندی در الگوریتم خوشهبندی فازی میتوان از روشهای فراابتکاری19 در حل و بهبود این مسئله چالشبرانگیز استفاده نمود. الگوریتم همزیستی جانداران20 یک الگوریتم فراابتکاری و هوشمند در حل مسائل بهینهسازی است. الگوریتم همزیستی جانداران با الگوبرداری از روابط موجود در یک زیستگاه21 سعی مینماید که مسائل پیچیده از نوع بهینهسازی را حل نماید. نتایج مطالعات نشان داده الگوریتم همزیستی جانداران نسبت به تعداد زیادی از الگوریتمها نظیر الگوریتم بهینهسازی ذرات22 و الگوریتم ژنتیک23 دقیقتر مسائل بهینهسازی را حل می-نماید - . - Cheng and Prayogo, 2014 از طرفی الگوریتم همزیستی جانداران پیچیدگی اندکی دارد لذا یک انتخاب مناسب برای بهبود ناحیهبندی توسط الگوریتم خوشهبندی فازی در نظر گرفته میشود.
در این مقاله که به چند بخش تقسیم شده است در ابتدا خوشهبندی فازی را شرح داده سپس مروری بر عملکرد الگوریتم همزیستی جانداران میشود تا روش حل مسئله این الگوریتم معرفی شود و در ادامه مطالعات انجام شده در حوزه تشخیص تومورهای مغزی ارایه میشود و در ادامه روش پیشنهادی به همراه آزمایشات و تجزیه و تحلیل آن ارایه شده و در پایان نتایج کلی مقاله به همراه پیشنهادات آتی بیان میشود.
خوشهبندی فازی
خوشهبندی24 یکی از تکنیکهای مهم دادهکاوی برای تشخیص الگو و دستهبندی دادهها به شمار میرود. در الگوریتم خوشه-بندی فازی تعدادی مراکز خوشهای25 در ابتدا به صورت تصادفی ایجاد میشوند سپس فاصله هر یک از دادهها بر حسب معیار شباهت با آن مراکز دادهای سنجیده میشود سپس داده مورد نظر با درجه فازی که یک عدد بین صفر و یک است به مراکز خوشهای منتسب میشود. خوشهبندی فازی را میتوان نسخه فازی شده الگوریتم خوشهبندی Kmeans فرض نمود که در آن هر داده همزمان میتواند به بیش از چند خوشه تعلق داشته باشد.
در الگوریتم خوشهبندی فازی یک ماتریس عضویت26 برای تعیین درجه فازی هر داده نسبت به مراکز خوشهای وجود دارد که به طور معمول سطرهای آن را دادهها و ستونها را مراکز خوشهای تشکیل میدهند و دارای مقادیر فازی بین صفر و یک است. در این ماتریس مجموع عناصر هر سطر برابر یک است زیرا در نهایت یک داده به کل خوشهها تعلق دارد و از طرفی هر عنصر این ماتریس محدود به یک عدد بین صفر و یک است که مفهوم فازی را نشان میدهد. در الگوریتم خوشهبندی فازی داده بر حسب شباهت به مرکز خوشهای تعلق دارد که بیشترین نسبت فازی با آن را دارد - . - Katarya and Verma, 2016 در الگوریتم خوشهبندی فازی میزان تعلق داشتن هر داده به مراکز خوشهای یا همان نسبت فازی به صورت رابطه - - 1، محاسبه میشود.
