مقاله شناخت الگو در تشخیص پزشکی با استفاده ازنظریه فازی

بخشی از مقاله

خلاصه

علاقه ی روز افزونی نسبت به گسترش تصویر برداری پزشکی بر پایه ی شناخت الگوی فازی وجود دارد که به حل مشکلات در مراحل اولیه تشخیص و پیش بینی کمک می کند. در زمینه ی تصویر برداری پزشکی، عدم قطعیت می تواند در هر نقطه خود را نشان دهکه می تواند منجر به اشتباه جدی در قطعه بندی شود. در حال حاضر تعدادی راهکار تکمیلی و رقابت کننده در تشخیص به کمک کامپیوتر وجود دارد که شامل منطق فازی، شبکه عصبی و الگوریتم های ترکیبی می شود.

برای استخراج ساختار های مورد نظر، بسیاری از محققین درصدد گسترش الگوریتم های فازی قطعه بندی در داده های پزشکی هستند. بسیاری از روش های شناخت الگوی فازی تاثیر خود را تشخیص پزشکی نشان داده اند. این مقاله روش های الگوریتمی برای شناخت الگوی فازی در تصویر برداری پزشکی را بررسی می کند.

1    مقدمه

مشکلات تشخیص وپیش بینی پزشکی مثال های مهمی از تصمیم گیری در مواجهه با عدم قطعیت هستند. روبرو شدن با تردید ها، مشکل رایج در شناخت الگو است و استفاده از تئوری مجموعه فازی زمینه ایجاد بسیاری از روش های جدید شناخت الگو برای تشخیص پزشکی را فراهم کرده است. تئوری مجموعه فازی نقش اساسی در شکل دادن به تردید ها برای تشخیص وپیش بینی پزشکی ایفا می کند. برای تشخیص وپیش بینی در تصویر برداری پزشکی، دسته بندی نظارت شده و خوشه بندی بی نظارت، روش های معمول شناخت الگو هستند. خوشه بندی توسط دانش پزشکی که شامل تعاریف و اثبات هاست هدایت میشود.

دو رویکرد نسبت به خوشه بندی قطعی و خوشه بندی فازی وجود دارد. در زمینه کاربرد پزشکی، معمولا شرایط غیر دقیقی وجود دارد و به همین دلیل روش های فازی نسبت به روش های قطعی مناسب تر به نظر میرسند. گروه اصلی روش های فازی با خوشه بندی فازی، فازی مبتنی بر قانون، انطباق الگوی فازی و متد های مبتنی بر روابط فازی نشان داده می شوند. درخوشه بندی فازی، الگوریتم های فازی c-means شناخته شده ترین وقدرتمندترین روش های استفاده شده برای آنالیز خوشه در کاربرد پزشکی هستند.

در زمینه کاربرد پزشکی، کاویدن تصاویر پزشکی در واقع عملیات جستجو و بازیابی در تصاویر و استفاده از روش های شناخت الگو برای انتزاع، نشانه گذاری و بازیابی تصاویری است که توسط Anatani et al [1]ارائه شده اند. بروز عدم قطعیت همچنین میتواند آنالیز تصاویر را تحت تاثیر قرار دهند. چالش برانگیز ترین مشکل در آنالیز تصاویر و شناخت الگو قطه بندی است. در آنالیز تصاویر پزشکی، قطعه بندی توسط تشدید مغناطیسی - MR - تصاویر محبوب ترین تکنیک عکس برداری است. مزیت MRI وضوح مکانی بالای آن و تضاد در بافت نرم است.

[2] Bezdek et al مروری بر تکنیک های قطعه بندی تصاویر MR با استفاده از شناخت الگو ارائه می کند. بهطور کل، مطالعات شناخت الگو موجب پیشرفت تکنیک های قطعه بندی MR شده اند. هدف اصلی قطعه بندی تصاویر پزشکی این است که ساختار های مورد نظر را استخراج و در تعدادی شاخصه ی ورودی قرار دهد. این عمل میتواند توسط تفکیک یک تصویر به تعدادی منطقه که با یکدیگر طلاقی ندارند و هر یک ویژگی های متمایز خود را دارند، نشان داده شود. متد های مختلف قطعه بندی برای MRI استفاده شده اند تا بین بافت های عادی و غیر عادی تمایز قائل شوند.

یک مشکل مشترک در قطعه بندی MR شدت ناهمگن است که میتواند به صورت عمل خوشه بندی پیکسل ها در فضای شدت دیده شود. شدت ناهمگن به تغیرات یک بافت ثابت در یک تصویر اشاره دارد که میتواند توسط نقوص در سیم پیچ RF یا دیگر فاکتور های مرتبط به توالی اکتساب ایجاد شود. - 2007 - vonk et Al مروری مروری بر روش های تصحیح شدت ناهمگن در MRI ارائه می دهد. روش های مهم دیگر تصویر برداری پزشکی که برای پیش بینی و تشخیص استفاده میشود، تصاویر درموسکوپی هستند و مروری بر روش های اخیر تشخیص مرز در تصاویر درموسکوپی در - 2009 - Celebi et alارائه شده است.

در جامعه ی هوش محاسباتی تعدادی رویکرد چندگانه به سمت شناخت الگو ایجاد شده است که توجه قابل ملاحظه ای را در کاربردهای پزشکی به خود جلب کرده است. یکی از معمول ترین روش های ترکیبی، تلفیق شبکه های عصبی و تئوری مجموعه فازی است که به نام عصبی-فازی شناخته می شود و بطور فزاینده در تشخیص پزشکی به کار گرفته می شود.

Tedorescu et alدر گزارشی فعالیت های تحقیقی در هوش مصنوعی فازی و پزشکی در USF CSR را نقد کرد که روش های فازی و عصبی-فازی برای تشخیص پزشکی مانند خوشه بندی فازی و فیلترینگ فازی، قطعه بندی تصاویر فازی وسیستم های خبره ی فازی را شامل می شد. در تحقیقات انجام شده یافت می شود که تلفیق ابزارهای محاسبات نرم مختلف به طراحی سیستم های ترکیبی کمک میکنند که در مقایسه با استفاده تکی از ابزار ها تطبیق پذیرند وکارامدتر عمل میکنند.

اصول مختلف محاسبات نرم و کاربرد های مختلف آن در پزشکی بین سال های 2000و 2008 توسط - 2009 - Yardimci ارائه شده است. در این مقاله، یک بررسی انحصاری از روش های فازی بر اساس شناخت الگو برای تشخیص زود هنگام بیماری فراهم کرده ایم. ادامه ی مقاله به شرح زیر مرتب شده است .بخش 2 بر مشکلات تشخیص پزشکی تمرکز میکند و در باب اینکه مشکلات خاصی باید در هر تصمیم پزشکی در نظر گرفته شوند، زیرا ممکن است عواقب مهم و ناگواری برای بیمار داشته باشند.

2    تشخیص پزشکی و مشکلات

تشخیص و پیش بینی عمل دانش پزشکی است. مهمترین مشکلات در تشخیص و پیش بینی پزشکی به شرح زیر اند:

1.    مشاهده و محدودیت فردی متخصص

2.    عدم قطعیتها و ناکاملی ها در دانش پزشکی

3.    تاثیر زمان اندک در تشخیص

این مشکلات باید در حین تصمیم گیری پزشکی مورد توجه قرار گیرند. یک بیمار می تواند مجموعه ای از علائم را داشته باشد که بتوانند به چندین بیماری نسبت داده شود و این علائم نباید صرفاً عددی باشند. در مشاهده ی این علائم پزشکان مختلف با سطوح حرفه ای و تجربه بالینی مختلف ممکن است در یک مورد نتیجه تشخیص متفاوتی داشته باشد که در نهایت موجب تشخیص اشتباه شود.

همچنین به دلیل اختلال غیرقابل شناسایی در فرایند به دست آوردن اطلاعات، عدم قطعیت به شدت در تصاویر بروز می کند. به همین دلیل استفاده از کامپیوترها در تشخیص و پیش بینی پزشکی با توجه به مقدار فزاینده داده های پزشکی ضروری به نظر می رسد. تعداد بسیاری از تشخیص های به کمک کامپیوتر در تشخیص و پیشبینی رادیولوژی پزشکی به کار گرفته شده اند.

- 2007 - Doi مروری بر تاریخ تشخیص به کمک کامپیوتر - - CAD در تصویر برداری پزشکی به همراه شرایط کنونی و پتانسیل آینده محیط - CAD - ارائه می دهد برای کاهش مرگ بر اثر بیماری، تشخیص و پیشبینی زود هنگام لازم است که آن خود روند تشخیص دقیق و قابل اعتماد می طلبد. Pham et al. یک رویکرد جدید فرا ابتکاری به نام الگوریتم برپایه همخوانی - HBA - به کار می گیرد که به طور قابل توجهی دقت را به وسیله ی استفاده از مفهوم مجموعههای همخوان بالا می برد.

جراحی اعصاب مدرن از تصویربرداری تشدید مغناطیسی - MRI - از بیمار پیش از روند تشخیص بهره میبرد. تعدادی روش بر پایه رویکردهای فازی در شناخت الگو برای تشخیص پزشکی گسترش داده شده اند و از این بین الگوریتم فازی برای قطعه بندی تصویر به طور گسترده برای آنالیز داده ی تصویری پزشکی استفاده می شود.

3  قطعه بندی

در دیدگاه کامپیوتری قطعه بندی به پروسه تکه کردن یک تصویر دیجیتال به قطعه های متعدد که در واقع مجموعه ای از پیکسل ها هستند اشاره دارد. هدف از قطعه بندی آسان کردن و یا تغییر نمایش یک تصویر به چیزی پر معناتر است که آنالیز آن آسان تر باشد. قطعه بندی تصاویر معمولاً برای مکان یابی اجسام و مرزها در تصویر استفاده می شود - خطوط انحنا و غیره - . به بیان دقیق تر، قطعه بندی تصویر روند انتصاب یک برچسب به تمام پیکسل های یک تصویر است به گونه ای که پیکسل ها با برچسب مشترک در خصوصیات بصری مشخصی با یکدیگر اشتراک دارند.

نتیجه قطعه بندی مجموعه ای از قطعات است که جمعا تمام تصویر را پوشش می دهند و یا مجموعه ای از کانتور های استخراج شده از تصویر است هریک از پیکسل ها به نسبتی در تعدادی از خصوصیات یا ویژگی های محاسبه شده مانند رنگ شدت یا بافت مشابه اند. منطقه های همجوار به طور قابل توجهی در خصوصیات مشابه تفاوت دارند. بعضی از استفاده های کاربردی قطعه بندی تصاویر به شرح زیر است:

➢    تصویربرداری پزشکی

·    مکان یابی تومورها و سایر آسیب ها

·    اندازه گیری حجم بافت

·    جراحی با راهنمایی کامپیوتر

·    تشخیص

·    برنامه ریزی روند معالجه

·    مطالعه ساختارهای آناتومی

➢    مکان یابی اشیا در تصاویر ماهواره ای - جاده ها جنگل ها و غیره -

·    تشخیص چهره

·    تشخیص اثر انگشت

·    سیستم های کنترل ترافیک

·    تشخیص چراغ ترمز

·    بینایی ماشین

تعدادی الگوریتم و تکنیک همه منظوره برای قطعه بندی تصویر گسترش یافته اند.

1-3  قطعه بندی تصویر MRI

اصول تصویربرداری تشدید مغناطیسی - MRI - در اواخر 1940 کشف شد و به دلیل توانایی آن در اندازه گیری توزیع مکانی بین ساختارهای آناتومی بافت بیولوژیکی در مقایسه با سایر روش های تصویربرداری قویتر و کارآمدتر شده است. MRI تکنیک تصویر برداری پزشکی است که از تشدید مغناطیسی هسته ای در پروتون ها استفاده می کنند تا تصاویری بر پایه چگالی پروتون تولید کند.