بخشی از مقاله
چکیده
تصاویر سی تی اسکن سطح باالیی از نویز دارد و به این دلیل که کنتراست بین تومور و بخش اصلی کبد پایین است کشف تومور و ترسیم قابل اطمینان آن، کار دشواری خواهد بود. عالوه بر محدودیت های روش تصویربرداری، تقسیم بندی تومور کبد، به خاطر تنوع تومور در اندازه و ساختار و به خاطر اینکه تومورها عمالً در هر نقطه از کبد می توانند حضور داشته باشند. پیچیده خواهد شد.
بدین منظور در این مقاله یک الگوریتم ناحیه بندی خودکار کبد با استفاده از تجزیه و تحلیل بافت بر مبنای روش مورفولوژی، برای تشخیص بافت کبدی و تومورها از روی تصاویر CT ارائه شده است. این الگوریتم ناحیه بندی خودکار کبد، با استفاده از استخراج ویژگی های بافت و طبقه بندی کننده SVM1 که مقادیر کنترلی آن با الگوریتم بهینه سازی جغرافیای زیستی بهینه شده است پیاده سازی و مورد آزمایش قرار گرفته است. ویژگی های بافت، با استفاده از شدت روشنایی پیکسل ها و عملیات مورفولوژی بافت کبد از عکس جدا شده و ماسک مناسب آماده می شود.
سپس جهت تشخیص تومورهای خوش خیم و بد خیم ویژگی های تصویر اعم از تعداد شی ها، مساحت، ماکزیمم، مینیمم وطول شی استخراج می شود. این ویژگی ها جهت تشکیل یک بردار ویژگی 400*11 که متشکل از 11 ویژگی و 200 عکس برای تشخیص تومور خوش خیم و 200 عکس برای تشخیص تومور بدخیم است استفاده می شود. و در انتها این بردار ویژگی به عنوان ورودی طبقه بندی کننده SVM استفاده می شود که تومورها را در تصایر ورودی CT تشخیص می دهد.
-1مقدمه
جِگَرکَبِدیا بزرگترین غده بدن است که در قسمت سمت راست شکم واقع شده و نقش بسیارمهمی را در دستگاه گوارش بازی می کند. این عضو دارای ویژگی های منحصر به فرد است که در فعالیتهای سوخت و ساز بدن مانند گوارش نقش دارد. عملکرد حیاتی این عضو باعث می شود که نتوان آن را با هیچ دستگاهی جایگزین کرد. کبد دارای ساختار مدوالر است که باعث می شود این عضو بدن به صورت یک مجموعه واحد مستقل عمل کند - حسنزاده و همکاران . - 1387
به دلیل نقش حیاتی که کبد در بدن دارد, امروزه در علم پزشکی بیماریهای کبدی بسیار جدی در نظر گرفته میشوند. در کبد تومورهای متفاوتی با سلول هایی متفاوت می توانند بوجود آیند. این تومورها می توانند خوش خیم یا بدخیم - سرطانی - باشند. تومورهای خوشخیم کبدی اغلب شامل: سلول های کبدی، همانژیوم کاورنو و هیپرپالزی ندولر کانونی هستند و تومورهای بدخیم اغلب کارسینوم هپاتوسلوالر، کالنژیوکارسینومای داخل کبدی، هپاتوبالستوما هستد - - Dushyant et al,2004 اولین مرحله در فرآیند تشخیص تومورها، داشتن تصویری مناسب از کبد است.
امروزه استفاده از دستگاههای تصویربرداری در بهبود روند تشخیص و درمان نقش بسزایی را ایفا می کند . استفاده از دستگاههای متنوع تصویربرداری نظیر MRI و CT نیازمند طراحی الگوریتمهای متنوعی هستند تا بتوانند بر روی تصاویر دریافت شده تحلیلی را انجام دهند، که در نهایت این تحلیل به پزشک در تشخیص بهتر بیماری کمک خواهد کرد . - Lim et al ,2006 -
تصویربرداری توموگرافی کامپیوتری - CT - ، بهترین نوع برای نمایش کبد بشمار می رود. توموگرافی کامپیوتری می تواند در برشهای متفاوت، بخش خاصی از بدن بیمار را نمایش دهد Mharib et al , 2012 - - .اولین مرحله در سیستمهای تشخیص به کمک کامپیوتر، ناحیه بندی کبد است که انجام درست و دقیق آن، به شدت بر درستی تشخیص صحیح پزشک و در نتیجه انجام فعالیتهای آتی بر اساس آن کمک خواهد کرد. منظور از ناحیه بندی، جداسازی شی مورد نظر از مابقی اشیا موجود در تصویر است. بررسی تصاویر پزشکی با مشکالتی همراه است، برای مثال کیفیت پایین تصاویر پزشکی می توانند به پیچیدگی مسائل این حوزه بیفزاید. تنوع و ابعاد مختلف کبد در بیماران مختلف می تواند رسیدن به یک روش کامال اتوماتیک در تشخیص محدوده بافت را مشکل نماید.
ناحیه بندی کبد بر اساس شکل یا شدت سطح خاکستری، به دلیل تغییر شکل اندام در برشهای مختلف تصویر CT و همپوشانی شدت سطح خاکستری بافتهای مجاور، نتایج مطلوبی فراهم نمی آورد و امری چالش برانگیز است . در این راستا تحقیقات بسیاری اثبات کرده اند که استفاده از ویژگی بافت نتایج مطلوبتری حاصل می کند - Gunasundari and Janakiraman, 2013 - .
الگوریتمهای زیادی برای انجام جداسازی کبد از سایر بافتهای تصویر موجود است که می توان آنها را به دو گروه اتوماتیک و نیمه اتوماتیک دسته بندی کرد. نیمه اتوماتیک به معنای دخالت کاربر و کمک در جداسازی بهتر بافت است و اتوماتیک به معنای انجام این عمل به شکلی است که کاربر هیچ گونه دخالتی در آن نداشته باشد . - Fasquel et al 2006 -
دسته بندی بافت یکی از ویژگیهای حائز اهمیت در حوزه ی تحلیل تصویر است که تقریبا از سه دهه ی پیش به صورت فعال توسعه یافته و قویترین ابزارها را برای دسته بندی بافت ارائه کرده است . به طور مختصر می توان روشهای فعلی دسته بندی بافت را به چهار کالس برپایه ی مدل، آماری، پردازش سیگنال , و هندسی تقسیم کرد. اساس کار روشهای مبتنی بر مدل، ساختمان مدل یک تصویر است که برای تشریح بافت، پارامترهای خود را از خصوصیات اساسی دیداری بافت می گیرد.
روشهای آماری، توزیع مکانی سطوح خاکستری موجود در بافت را با محاسبه ی ویژگیهای محلی در هر نقطه از تصویر و استخراج مجموعه های آماری، مبنای طبقه بندی قرار می دهند. روشهای پردازش سیگنال، محتوای فرکانسی بافت را مبنای کار خود قرار می دهند که از بین آنها می توان به تحلیل های مبتنی بر تبدیل موجک، تبدیل ریگلت و تبدیل کرولت اشاره کرد. تبدیل موجک با آنکه در نشان دادن اشیا با نقاط تکین بسیار موثراست، اما در نمایش اشیا با خطوط کارآمد نیست.
برای کاهش این مشکل تبدیل ریگلت معرفی شد، اما تصاویرCT معموال به جای خطوط مستقیم، حاوی منحنی هستند بنابراین تبدیل کرولت برای غلبه بر محدودیت های تبدیل موجک و تبدیل ریگلت توسعه یافته است . - Haralick et al,1973 - تبدیل کرولت به شدت به جهت حساس بوده، شکل عناصر پایه ی آن غیر همسانگرد، و تعداد عناصر جهتی در آن وابسته به مقیاس است .
- Dettori and Semler ,2007 - روشهای هندسی، بر ترکیبی از عناصر بافت متمرکز می شود و با محاسبه ی مشخصه های آماری از عناصراستخراج شده ی بافت، و یا استفاده از قوانین قراردادی، به تحلیل بافت می پردازد . - Tuceryan. and Jain, 1998 - بنابراین ویژگی های این روش پردازش سیگنال نشان می دهد که تبدیل پردازش تصویر به روش هندسی می تواند در طراحی یک سیستم اتوماتیک کارآمد جهت دسته بندی بافت ها نقش مهمی را ایفا کند.
شکل - - 1 تصویر کبد به همراه تومور بدخیم - شکل راست - .تصویر کبد به همراه تومور خوش خیم - شکل چپ - .شکل از داخل شکم بیمار است که به همراه کبد بقیه اعضا نیز قابل مشاهده است.تومورها با دایره های قرمز مشخص شده اند. Shi و همکاران در سال 2016 روش جدیدی را برای شناسایی تومور ارایه کردند. درگام اول آموزش، آنها از مدل ترکیب شکل گسسته برمبنای ناحیه محلی چند الیه به نام MLR-SSC ، به منظور افزایش انعطاف مدل های شکل اولیه و بدست آوردن اطالعات و جزئیات شکل محلی استفاده کرده اند. مخصوصا ، شکل های کبد به چند ناحیه در چند سطح تجزیه میشود.
همچنین آنها یک مخزن شکل محلی برای هر ناحیه تشکیل داده اند که تصویر ورودی را توسط رفتار ناحیه به ناحیه پاالیش میکنند. در گام دوم آموزش ، با آماده سازی شکل کبد بر مبنای عروق خونی به منظور بدست آوردن بیشترین شکل مشخصه برای بیمار توسط الگوریتم بهینه سازی شکل سلسله مراتبی ، شروع میشود. این کار باعث بهبود عملکرد سیستم جداسازی در برابر مینیمم های محلی میشود .
Das و همکاران در سال 2016 روشی را برمبنای kernel fuzzy C-means ارایه کرده اند . آنها با استفاده از آستانه گذاری تطبیقی و پردازش شکل شناسی و kernel fuzzy C-means توانستد تومور را از بقیه بافت ها جداسازی نمایند . این تحقیق برروی دیتا ست MICCAI 2008 برای جداسازی تومور انجام شده است . الگوریتم KFCM یک تابع هسته را بر روی fuzzy c-means clustering به منظور کاهش نویز و بهبود خوشه بندی اعمال میکند.
Kumar و همکاران در سال 2016 روشی برمبنای پارامترهای آماری بافت برای جداسازی بافت تومور از بقیه بافت ها ارایه کردند. در ابتدا تصاویر CT برای حذف نویز فیلتر میشوند . سپس فیلتر آستانه گذاری آماری برمبنای میانگین به منظور استخراج تومور به تصویر اعمال میشود. در گام بعدی توسط آستانه گذاری تصویر به تصویر سیاه سفید تبدیل میشود به طوری که تومور سیاه رنگ و پس زمینه سفید رنگ باشد. در انتها پس پردازش توسط فیلترهای میانگین و میانه و شکل شناسی به تصویر اعمال میشود تا بقیه باقی مانده غیر از تومور حذف شوند. این روش در مقایسه با روش های region growing و intensity-based thresholding دارای پیچیدگی کمتر و دقت بیشتری میباشد.
