بخشی از مقاله
چکیده
یکی از کاربردهای پردازش تصویر در زمینه پزشکی، تشخیص تومور با استفاده از تصاویر MRI است. با استفاده از قطعهبندی تصاویر MRI میتوان قسمتهای مختلف بافتهای مغزی را از هم جدا نمود و بافتهای سالم و بافتهای سرطانی را تشخیص داد. برای تشخیص تومورهای سرطانی چالشهای زیادی وجود دارد. از جمله این چالشها، شباهت بسیار زیاد بین ناحیه تومور و نواحی متورم و بافتهای سالم است.
از دیگر معضلات تشخیص تومور این است که ایجاد عارضه تومورهای مغزی در تمام مغز امکان تشکیل دارد و شکل و اندازه تومورها متفاوت است. به همین دلیل نمیتوان از یک الگوی خاص برای شناسایی تومورها استفاده کرد. قطعهبندی تصاویر مغزی نیازمند روشی دقیق و کارآمد است. در این مقاله راهکار اتوماتیک تشخیص تومور با استفاده از روشهای ماشین بردار پشتیان، کانتور فعال و الگوریتم تکاملی خفاش ارائه شده است.
در مدل پیشنهادی، ناحیهای که در آن تومور وجود دارد با استفاده از ماشین بردار پشتیبان و خصوصیات استخراج شده ناحیه برچسب گذاری میشود از الگوریتم تکاملی خفاش براساس کانتور فعال برای پیدار کردن لبههای ناحیه تومور استفاده میگردد. با استفاده از الگوریتم تکاملی خفاش، مشکلات اساسی کانتور فعال ازبین رفته و باعث بهینهسازی کانتور فعال در پیدار کردن اشیاء میشود. نتایج آزمایشات نشاندهنده کارایی بالای مدل پیشنهادی است.
-1مقدمه
تومور مغزی، تودهای غیر عادی از یک بافت به شمار می رود که با رشد و تکثیر کنترل نشده سلولها ایجاد میشود. هنگامیکه سلولهای طبیعی پیر و یا آسیبدیده میشوند، از بین میروند و سلولهای جدیدی جای آنها را میگیرند. برخی اوقات، این فرآیند اشتباه پیش میرود و سلولهای جدید هنگامیکه بدن به آنها نیازی ندارد، تشکیل میشوند و سلولهای پیر و یا آسیب دیده عادی از بین نمیروند.
یکی از مهمترین کاربردهای پردازش تصویر در زمینه پزشکی، تشخیص توموراست و این کاربرد زمانی مورد توجه قرار میگیرد که عکسهای گرفته شده توسط دستگاه های مختلف پزشکی نیاز داردند که تمام جزئیات تصویر به طور کامل، واضح و شفاف نمایان شود.
به دلیل حساس بودن تومورهای مغزی نیاز به روشی است که بتوان به صورت دقیق محل توموها را شناسایی و تشخیص داد. از جمله چالشهایی که در این زمینه وجود دارد این است که محل توموها متقاوت است . شکل و اندازه توموها متفاوت دارای الگوهای متفاوت و متنوع است و همچنین تشخیص تومور و بافتهای سالم مغز کار بسیار سختی است2]،.[3 تعداد زیادی راهکار و الگوریتم برای قطعهبندی تصاویر تومور ارائه شده است.
این روشها شامل تکنیک موفولوژی1، آستانهگیری2، روش واترشید 3، روش رشد ناحیهای4، تجزیه تحلیل نامتقارن5 و روشهای آموزشی با نظارت و بدون نظارت است.
روشهای براساس شدت:6 عملیات سطح پایین مثل آستانهگیری[4]، تشخیص لبه و تکنیکهای موفولوژی [5] از لحاظ پیادهسازی و پیچیدگی روشهای ساده و آسانی هستند. کارایی قطعهبندی تومور با استفاده از این روشها، وابستگی بسیار شدیدی به اختلاف روشنایی بین ناحیه تومور و بافتهای سالم دارد. واتر شید [6] و رشد ناحیه ای [7] راهکارهایی ساده و سازگار با روابط مرزی هستند.
در روش رشد ناحیهای نقاطی که از نظر شدت روشنایی به هم وابسته هستند و مربوط به یک بافت مغزی میباشند در یک دسته بندی قرار گرفته و قطعهبندی میشود.[8] در این روش نقطه بذز توسط کاربر سیستم تعیین میشود، و نقطه مورد نظر تا رسیدن به لبه رشد پیدا میکند. تمام پیکسلهای به هم چسبیده نقطه بذر انتخابی رشد پیدا کرده و پیکسلهای همسایه مقایسه میشود تا به مرز لبه در تصویر برسد. این روش برای تصاویر بدون نویز و ساختارهای ساده مناسب است. عمدهترین محدویت این روش نیازمند بودن به یک ناظر برای انتخاب نقطه بذر است. یکی از مشکلات اساسی این روش و روشهای مشابه بر اساس شدت روشنایی تصویر، حساسیت زیاد آنها به نویز و شدت اختلاف روشنایی بین ناحیه تومور و بافت سالم تصاویر است.
تجزیه تحلیل نامتقارن:7 مغز انسان سالم از نقطه مرزی مغز متقارن و همسان است. روش تحلیل نامتقارن برای قطعهبندی عمده تومورها به این صورت عمل میکند که با مقایسه دو نیمکره مغزی به دنبال ناحیه نامتقارن مغزی میگردد.[10] دراین روش نشان داده میشود که تومور باعث عدم تقارن بین دو نیمکره میگردد. روش تجزیه و تحلیل عدم تقارن روشی است که میتواند در تسریع تشخیص و فرآیند قطعهبندی تومور کمک کند.
روشهای ارزیابی محیط/سطح:8 ارزیابیهای سطح کانتور به طور گسترده در تصاویر 2 بعدی و 3 بعدی کاربرد دارد12]،.[13 این روش میتواند نشاندهنده مفهومی همانند توابع تنظیم سطح صریح مانند توابع کانتور فعال9 باشد. با مقایسه کانتور فعال پارامتریک، روش تنظیم سطح10 میتواند نشاندهنده کانتور با توپولوژی پیچیده و کنترل تغییرات توپولوژی، مانند تقسیم و ادغام به صورت طبیعی روش موثری باشد.
روشهای یادگیری با ناظر و بدون نظارت:11 روشهای آموزش بدون نظارت مثل K-mean و خوشهبندی فازی در سالهای اخیر به روشهای محبوبی برای قطعهبندی تومور مغزی تبدیل شده است.[15] برای بهبود الگوریتم اتصال فازی بر اساس این مقیاس، نقطه بذر به صورت اتوماتیک و ا نتخاب میشود. الگوریتم از نظر شدت روشنایی ناحیه تومور طوری عمل میکند که مستقل از تصویر باشد و این کار به صورت خودکار انجام گیرد تا در تصاویر با کنتراست کمتر، کیفیت و دقت خروجی کار بالاتر رود.[16] روشهای آموزش دستهبندی نظارتشده به طور گسترده در قطعهبندی تومور مورد استفاده قرار میگیرد. دستهبندی درست مرحله آموزش میتواند اطلاعات متمایزی را از دادههای آموزشی استخراج کند.
-2 عملیات موفولوژی
برای استخراج دقیق تصویر تومور از زمینه تصویر و همچنین حذف اغتشاشهای موجود در تصویر، از عملیات موفولوژی استفاده میشود. اتساع12 و سایش13 در پردازش تصویر جزء عملیات مورفولوژی به حساب میآیند. برای دستیابی به نتیجه درست در کاربرد این عملیات، ابتدا باید یک همسایگی که به شکل تومور حساس باشد به درستی انتخاب گردد. اتساع، تعداد پیکسلهای قرار گرفته در مرز شکل مورد نظر را با توجه به همسایگی از پیش تعیین شده، افزایش میهد و عملیات سایش تعداد پیکسلها را کاهش میدهد.
در عملیات اتساع اشیاء درون تصویر رشد میکند یا به اصطلاح ضخیمتر میشود. رفتار و اندازه این روال توسط عضو ساختاری14 کنترل میشود. از نقطه نظر ریاضی اتساع دو مجوعه A و Bرا به صورت A⊕B نشان دادند که به صورت زیر تعریف میگردد:
⊕ B = {z| - B^ - ∩ A ≠ ∅× - 1 -
که ∅ نشاندهند مجموعه تهی و B^ نشاندهنده عضو ساختای میباشد. اتساع دو مجموعه A و B مجموعهای متشکل از مکان و مبدا همه اعضای ساختاری بازتاب شده و انتقال یافتهای میباشد که حداقل با بخشی از A همپوشانی داشته باشد
عملگر سایش برای کوتاه کردن و یا نازک کردن اشیا در تصویر دودوی به کار میرود. همانند اتساع رفتار ونحوه عملکرد سایش توسط عضو ساختاری تعیین میگردد. سایش دو مجموعه A و B به صورت A⊖B نشان داده میشود و به صورت زیر تعریف میگردد.
A ⊖ B = { | - - ∩ ≠ ∅}× - 2 -
سایش دو مجموعه A و B به مجموعهای متشکل از همه مکانهای مربوط به مبدا عضو ساختاری میباشد که نباید مجموعه B هیچ همپوشانی با پسزمینه A داشته باشد.
در عمل در اغلب کاربردهای پردازش تصویر اتساع و سایش بهصورت ترکیبی بکار گرفته میشوند. در واقع در عمل یک تصویر تحت یک سری عملیات اتساع و سایش با یک یا چند عضو ساختاری قرار میگیرند و از آنجایی که این عملیاتها منجر به حذف اشیاء کوچک موجود در تصویر میشود، لذا از عملیاتهای بازسازی موفولوژیکی استفاده میکنیم.
-3 فیلتر انتشار ناهمسانگرد
مفهوم انتشار ناهمسانگرد15 برای هموارسازی تصویر از یک معادله با مشتقات جزئی استفاده میکند.[20]
= [ - |∇ | - . ∇ - ] - 3 -
در رابطه فوق ∇ عملگر گرایان، div عملگر دیورژانس و . عملگر اندازه و c - . - ضریب انتشار میباشد. این روش باعث کنترل نرخ انتشار و باعث حفط لبههای تصویر میشود.
طراحی فیلتر ناهمسانگرد طوری است که پس از اجرای آن روی تصویر، پس از حذف نویز، لبههای تصویر از بین نمیرود. این فیلتر از خانواده فیلترهای پارامتریک تصویر است اما تصویر خروجی ترکیبی بین تصویر اصلی و تصویر فیلتر شده است که وابسته به تصویر اصلی است.
-4 الگوی باینری محلی
الگوی باینری محلی اولین بار توسط اوجالا و همکارانش پیشنهاد شد که روشی قدرتمند برای توصیف الگوها بود.[21] این عملگر به ازای هر پیکسل با توجه به برچسب پیکسل همسایگی 3×3 یک عدد دودویی تولید میکند. برچسبها با آستانه مقادیر پیکسلهای مرکزی با همسایگی بدست میآید. روش کار به این صورت است که هر پیکسل با پیکسل مرکزی مقایسه میشود. هر مقدار بزرگتر از پیکسل مرکزی باشد مقدار برابر یک و به ازای هر پیکسلی که مقدار آن کوچکتر از پیکسل مرکزی باشد، مقدار آن صفر در نظر گرفته میشود. در پایان این مرحله این برچسبها به صورت چرخشی در کنار یکدیگر قرار گرفته و یک عدد هشت بیتی را نشان میدهد.
یکی از محدویتها و مشکلات اصلی این روش، همسایگی کوچک 3×3 آن است که باعث میشود روی تصاویر با مقایس بزرگ تسلط کافی را نداشته باشد. جهت رفع این مشکل درسالهای بعد مدلی معرفی شد که با توسعه مقدار همسایگی این مشکل رفع گردید.[22] روش کار به صورت بود که یک دایره به شعاع R پیکسل بروی P پیکسل در نظر گرفته شد. این روش میتوانند با حداکثر 2p مقدار مختلف، مطابق با 2p الگوی باینری محلی بر روی همسایگی خود تولید کند.
