بخشی از مقاله
چکیده
امروزه آمار تلفات انسانی زیاد به علت تومور مغزی، تشخیص زودهنگام آن را در مراحل اولیه، جهت معالجه و کاهش مرگ و میر الزامی می نماید . لذا بررسی دقیق تومورهاوتشخیص و دسته بندی آنها بسیار مفید خواهد بود.در سالهای اخیر استفاده ازتصاویر1MRI به دلیل وضوح و کیفیت بالا جهت تشخیص تومور وتعیین محل دقیق ونوع آن مورد توجه قرار گرفته است.
در این مقاله یک روش سه مرحله ای برای تشخیص و دسته بندی تومورمعرفی می کنیم که شامل: افزایش وبهبودکنتراست تصاویر، خوشه بندی تصویرو طبقه بندی است. به منظور بالابردن کیفیت تصاویر یک مورفولوژی ریاضی برای افزایش کنتراست در تصاویر MRI اعمال شده است. سپس تبدیل موجک درفرایند تقسیم بندی، به منظور تجزیه تصاویر MRI به کار برده شده و در مرحله بعدی الگوریتم k-means برای شناسایی نواحی تومور پیاده سازی شده ونهایتا تومورها به دودسته خوش خیم و بدخیم طبقه بندی می گردد .
-1مقدمه
درسالهای اخیر پیشرفت های قابل توجهی در زمینه تهیه تصاویر پزشکی و تحقیقات انجام شده در ناحیه تشخیص سرطان مغزی صورت گرفته است. بسیاری از مراکز دانشگاهی - Qurat-ul Ain et al, 2010 - در مورد این مسئله به دلیل این واقعیت که سرطان مغزی در میان جمعیت جهان درحال گسترش است ، متمرکز شده اند، برای مثال در ایالات متحده، نزدیک به 3000 کودک مبتلا به تومور مغزی تشخیص داده شده است. تقریبا نیمی در عرض پنج سال می میرند، وسرطان مغز راکشنده ترین سرطان در میان کودکان می سازد.
این سرطان با معلولیت عصبی، عقب ماندگی و مشکلات روانی و افزایش خطر مرگ همراه است. برای شناسایی یک تومور، بیمار تحت انجام چند آزمایش قرار میگیرد. رایج ترین ازمایشات توموگرافی کامپیوتری - CT - و تصویربرداری رزونانس مغناطیسی - MRI - برای تومور مغزی می باشد. تکنیک بالینی ،تشخیصی و تحقیقاتی MRI است که به طور گسترده مورد استفاده قرار میگیرد.MRI یک ابزارتصویری پزشکی کارآمد وموثر است که روش های مختلفی همچون T1، T2، ARM داردکه هر یک با داشتن ویژگی خاص و یک راه موثر ،آن را قادر به وضوح و روشن ساختن بافت های مختلف و به دست آوردن یک تصویر دوبعدی وسه بعدی و یا چهار بعدی ازیک قسمت از بدن، به ویژه مغز می سازد
بسیاری از روش ها برای جداسازی تصویر به صورت خودکار و نیمه خودکاروجود دارد، هر چند، بسیاری از آنها به دلیل نویز ناشناخته، کنتراست ضعیف تصویر ، ناهمگنی و مرزهای ضعیف است که در تصاویر پزشکی معمولا باشکست روبرو می شوند.یکی از اینها، تقسیم بندی تصویر مغز است که کاملا پیچیده و چالش برانگیز است اما تقسیم بندی دقیق برای تشخیص تومورها ، ادما، و بافت های نکروتیک بسیار مهم است
تقسیم بندی تصویر مغز در تشخیص بالینی عصبی و اختلالات روانی، ارزیابی درمان، و برنامه ریزی جراحی مفید است
تومور مغزی یکی از خطرناک ترین بیماری هایی است که معمولا در میان انسان ها اتفاق می افتد ، به طوری که مطالعه تومور مغزی بسیار مهم است. یک روش تقسیم بندی تصویر برای شناسایی تومور مغز از تصویربرداری به روش تشدید مغناطیسی - MRI - پیشنهاد کرده اند. چندین تکنیک آستانه وجود داردکه نتیجه متفاوت در هر تصویر را تولید کرده اند. بنابراین، برای تولید یک نتیجه رضایت بخش بر روی تصاویر تومور مغزی، آنها یک تکنیک، که در آن تشخیص تومور منحصر به فرد انجام شده است، پیشنهاد کرده اند
یک سیستم قوی برای تشخیص تومور مغزی و همچنین برای استخراج منطقه تومور مغزی پیشنهاد شده است.درابتدا سیستم پیشنهادی، توموررا از تصاویر MR مغز توسط طبقه بندی بیزی ساده و بی تکلف تشخیص می دهد. پس از تشخیص، خوشه K-means و روش های تشخیص مرزی برای استخراج منطقه دقیق تومور مغزی به کاربرده شد. در اینجا، بالای 99٪ دقت برای تشخیص به دست آمده است. نتایج تجربی نشان داده اند که با سیستم پیشنهادی منطقه دقیق تومور استخراج شده است
یک سیستم موثر، که در آن تومور مغزی با دقت بالاتری با استفاده از شبکه های عصبی مصنوعی تشخیص داده می شد، را توسعه داده اند . پس از استخراج ویژگی ها از داده MRI با استفاده از بسته موجک، شبکه عصبی مصنوعی برای پیدا کردن طیف طبیعی و غیر طبیعی استفاده شده است. به طور معمول، برای بسته های موجک بهتراست که تجزیه و تحلیل غنی تری را ارائه بدهند،زمانی که با تبدیل های موجک مقایسه شده اند ودر نتیجه مزایای بیشتری به عملکرد سیستم پیشنهادی خودشان اضافه کنند
همچنین، نویسنده دیگری به همراهی همکارانش یک تکنیک مبتنی بر کامپیوتر برای شناسایی منطقه تومور بطور دقیق در مغزازطریق تصاویر MRI پیشنهاد کرده است. در اینجا، طبقه بندی در یک تصویر تومور مغزی برای شناسایی اینکه آیا تومور یک تومورخوش خیم یا بدخیم است انجام می شود. مراحل مربوط به الگوریتم پیشنهادی، پیش پردازش ، تقسیم بندی تصویر، استخراج ویژگی و طبقه بندی تصویر از طریق شبکه عصبی می باشد. در نهایت، با استفاده از تکنیک ناحیه، منطقه تومور تعیین می گردد
الگوریتم k-meansو c-means فازی را برای شناسایی تومور مغز پیاده سازی کرده ند و مساحت آن را از تصاویر MRI محاسبه کرده اند.مزایای اصلی این پردازش تعیین مراحل بیماری است که آیا می توان آن را با دارو درمان کرد یاخیر .
سیستم پیشنهادی شامل عمدتا چهار ماژول یعنی پیش پردازش، تقسیم بندی با استفاده از K-means و C-means فازی ، استخراج ویژگی، و استدلال تقریبی است. اگر منطقه تومور توده است، بنابراین الگوریتم K-means برای استخراج تومور از سلول های مغزی کافی است. اگر هر گونه نویز در حال حاضر در تصویر MR وجود دارد بنابراین آن را قبل از فرایند K-means حذف می کند . نویز ناخواسته در عکس به عنوان ورودی به K-means داده شده و تومورها از تصویر MRI استخراج میکند . - Alan Jose et al, 2014 - محدودیت های این روش این است که تعیین عضویت فازی یک کار جزئی نیست و همچنین محاسبات اشغال شده در رویکرد فازی می تواند کاملا شدید باشد.
درهمین راستا ابزارهای گوناگون نرم افزاری ، جهت پردازش این گونه تصاویر برای کمک به پزشکان به وجود آمدند.تکنیک های پردازش تصویر ، می توانند این عملیات را بر روی این تصاویر انجام دهند و نواحی مختلف مغز را از یکدیگر جدا کنند و درصورتیکه ضایعه ای در تصویر موجود باشد، به کمک این پردازش می توانیم محل آن را به پزشک ارائه دهیم. تشخیص زودهنگام و دقیق از تومور مغزی کلیدی برای اجرای موفقیت آمیز درمان و طرح درمان می باشد.
در ادامه این مقاله به شرح زیر سازماندهی شده است. در بخش 2، ما یک توصیف از روش ارائه شده و ابزار استفاده شده برای تشخیص تومور از تصاویر مغزی ارائه می کنیم . نتایج در بخش 3گزارش شده است و در نهایت نتیجه گیری در بخش 4 به تصویرکشیده شده است.
-2 مواد و روش ها
در این بخش به شرح روش پیشنهادی برای تشخیص تومور از تصاویر مغزی که در شکل شماره 1 خلاصه شده است ، می پردازیم.
شکل : 1 فلوچارت روش پیشنهادی
