بخشی از مقاله
چکیده
هماتوم در آسیبهاي مغزي امري متداول تلقی میشود.یک سیستم طبقهبندي و کشف خودکار به پزشکان در تجزیهوتحلیل تصاویر پزشکی کمک میکند. CT اسکن به دلیل هزینهي کم، دسترسی گسترده، اسکن کردن سریع و کنتراست برتر روش ترجیحی در آسیبهاي مغزي بشمار میرود. در این مقاله به سیستم خودکار کشف و طبقهبندي نوع هماتوم با استفاده از الگوریتم شبکه عصبی مصنوعی در مورد تصاویر CT بیماران مختلف پرداخته میشود.
روش شامل چهار مرحله میشود، نخست پیشپردازش در مورد تصاویرCT مغز انجام میشود، در مرحلهي دوم مرکز ثقلهاي هیستوگرام محور براي الگوریتم دستهبندي میانههايK آغاز میشوند تا تصویر را در دستههاي مختلف بر اساس مقادیر تراکم پیکسلها بخشبندي نماید. مرحلهي سوم شامل استخراج ویژگیها از تصویر بخشبندي شده میباشد. در مرحلهي چهارم، شبکه عصبی مصنوعی بر طبق ویژگیهاي استخراج شده از تصویر ایجاد و آموزش داده میشود. شبکه عصبی مصنوعی آموزشی - ANN - انواع هماتوم را بر اساس ویژگیهایشان طبقهبندي می کند.
-1 مقدمه
هماتوم مغزي به دلیل آسیب ناگهانی در مغز و خروج خون از رگهاي خونی در مغز رخ میدهد.[1] هماتومهاي مغزي ممکن است هماتوم اپیدورال - - EDH، هماتوم سابدورال - - SDH و هماتوم اینتراسربال - - ICH باشد. تمام این هماتومها ماهیتی بسیار متراکم دارند و از دیگر بافتهاي مغزي روشنترند. EDH شامل خونریزي بین اسکلت و سختشامهي مغز است و شکل محدبالطرفین دارد در حالی که SDH بین سختشامه و لایهي ساب آرکنوید مغز قرار دارد و هلالی شکل است. از طرف دیگرICH لختهي خونی درون مغز است که شکل حلقهاي دارد و تشخیصش مشکل است زیرا شبیه تومور است.
تصویربرداري ابزاري مهم در علم پزشکی براي دیدن ساختار آناتومی بدن انسان میباشد. تحلیل تصویر پزشکی براي تشخیص و طبقهبندي امري مهم براي بسیاري از عملکردها است.[2] تکنیکهاي مختلفی براي اسکن مغز در دسترساند که براي استخراج اطلاعات بهوسیلهي رادیولوژیستها بکار میرود. پرتونگاري محاسبهاي - CT - یک تکنیک غیر خطرناك براي تصویر گرفتن[3] از هر قسمت بدن انسان میباشد. اسکنهاي CT از انتشار همانند اشعه X استفاده میکنند که بهوسیلهي یک سري حسگر دریافت میشوند که اطلاعات را به یک رایانهي قدرتمند میدهند.
CT اسکن ساختار مغز،رگهاي خونی، دیگر بافتها و هر امر غیرطبیعی را در اسکلت نشان میدهد.CT اسکن یک سیستم تصویربرداري متداول در بیمارستانها براي بیماران غیر هشیار که سرشان آسیب دیده میباشد است.CT اسکن در مقایسه با دیگر تکنیکها ترجیح داده میشود زیرا دسترسی گسترده، هزینه کم، اسکن سریع و کنتراست بالا دارد. با کمک سیستم رایانهاي یافتن هر نوع بیماري در مغز براي پردازش بیشتر مفید و سریع میباشد و پزشکان میتوانند از تشخیص خود اطمینان حاصل کنند.
هدف از این تحقیق این است که ابزاري تشخیصی و غیرتهاجمی براي یافتن و طبقهبندي هماتومهاي مغزي ایجاد کنیم. سیستم براي تشخیص و درمان مفید است و در سریعترین زمان ممکن آغاز بکار خواهد نمود. سازماندهی کلی این مقاله بهصورت زیر است. پس از مقدمه، بخش دوم در مورد تحقیقات اخیر و مربوطه بحث خواهد نمود. بخش سوم به توصیف روشی میپردازد که شامل چهار مرحله است؛ پیشپردازش، بخشبندي کردن، استخراج ویژگی و آموزش شبکه عصبی مصنوعی. در بخش هشتم به بررسی تجربیات انجامشده در مورد دادهها میپردازیم و نتایج روش را نشان داده و تفسیر خواهیم نمود. در انتها به نتیجهگیري مقاله خواهیم پرداخت و در مورد کارهاي آتی بحث خواهیم نمود.
-2 کارهاي مرتبط
بسیاري از محققین براي یافتن الگوریتم مناسب در مورد تصاویر هماتومهاي مغز در سه دههي اخیر کارکردهاند. یکی از مهمترین آنها در این حوزه الگوریتم قرینه محور طرف مخالف است که براي کشف حمله در تصاویر CTاسکن بکار میرود.
روشی مشابه نیز با استفاده از استخراج منطقهي اسکلت بهوسیلهي تکنیک آستانهاي قطعه به قطعه پیشنهاد شده است. این روش خط میانی را بر طبق شمارندهي اسکلت مییابد.[5] یک کار تکمیلی دیگر در این حوزه روش قاعده محور تحلیل آسیب با تصاویر مغزيCTاست.[6] این روش ترکیبی از تعیین خودکار محور قرینهي سر و محاسبه بر اساس لحظه هاست.
روش کشف خط میانی در صورتی که تصویر قرینه نباشد موفق نخواهد بود. این زمانی که آسیب بسیار شدید باشد یا به دلیل حرکت بیمار روي میدهد. یک روش متفاوت براي بخشبندي خودکار تصاویرCTمغز[7] از ارتقاي تصاویر و الگوریتم ژنتیک - - GA براي بخشبندي تصویر بهره میبرد. روشهاي متفاوتی بر اساس آستانه دهی چند رزولوشنی[8]، رشد منطقه[9]، مدلهاي اطلس محور[10]، شبکههاي عصبی مصنوعی - - ANN و سیستمهاي حرفهاي[11] وجود دارند که هماتومهاي intracranial را با ترکیب تصویر ماشین و تکنیک کشف دانش تشخیص میدهد. نسلهاي زیادي از تحلیل تصاویر پزشکی [12] به وجود آمدند.
ابزارهاي نرمافزاري زیادي با قدرت و ضعفهاي یکسان پیشنهاد شدند اما هیچ روشی به تنهایی کافی نیست. حتی تحقیقات بسیاري در مورد یافتههاي غیرطبیعی در تصاویر مغزي مانند آماس، کوفتگی، تومور، هماتوم و غیره انجام گرفته است که هنوز هم به تحقیقات بیشتر به دلیل سطح پایین صحت در روشهاي فعلی نیاز است. امر دیگر این است که استفاده از یک تکنیک نمیتواند مسئله را حل نماید و روشیکاملاًخودکار براي یافتن و طبقهبندي در اختیار ما نمیگذارد. بنابراین روشهاي هیبریدي که نقاط قوت روشهاي مختلف را ترکیب کنند براي حل مسئله موردنیازند. در اینجا سیستم کشف و طبقهبندي خودکاري را که نقاط قوت روشهاي مختلف را ترکیب مینماید توسعه میدهیم که در مورد چرخش تصاویر قوي عمل کرده و در مورد تصاویر با رزولوشنهاي مختلف عمل میکند.
-3 روش تحقیق
در این مقاله به دنبال روشیکاملاًخودکار براي یافتن و طبقهبندي انواع هماتومها از تصاویر CTاسکن2Dمغز هستیم. شکل1 نشان دهندهي تصاویر نرمال CT مغز و سه نوع از هماتوم یعنی اپیدرال - EDH - سابدورال - SDH - و اینتراسربرال - - ICH میباشد.
روش به چهار مرحله تقسیم میشود. در گام اول پیشپردازش در مورد تصاویر به منظور حذف نویز از تصویر انجام میشود. پس از آن مغز با استفاده از اپراتورهاي مورفولوژیکی استخراج میشود تا تأثیرات مصنوعی در مرحلهي بعدي حذف گردد. مرحلهي دوم شامل بخشبندي خودکار تصویر با گروهبندي آنها میباشد. این کار با استفاده از محاسبهي آستانهي هیستوگرامی و اعمال آن آستانهها بهعنوان مرکز دستهي اولیهي و تعداد دستهها به الگوریتم دستهبندي میانههايK انجام میگیرد.
مرحلهي سوم آمار است، ویژگیهاي مربوط به شکل و متن استخراج میشوند. این ویژگیها در شبکه عصبی ارائهشدهاند. چهارمین و آخرین مرحله یعنی شبکه عصبی مصنوعی - مدل گیرندهي چندلایه - بر طبق نمونههاي آموزشی که در سیستم ارائهشدهاند ایجاد میشوند.
شکل - 1 تصویر اصلی CT اسکن
-4 پیشپردازش
پیشپردازش نخستین مرحله براي استخراج منطقهي دلخواه از تصاویرCTمغز میباشد. اطلاعات بیمار و دیگر علامتها باید حذف شوند تا سطح کم جزئیات پیکسل عملیات بخشبندي را دچار اشکال نکند و درجهي بالایی از صحت و اعتبار را ارائه دهد. در اینجا پیشنهاد میشود که الگوریتمهاي اپراتورهاي مورفولوژیکی - فرسایش و اتساع - بخش مغز را استخراج نمایند.
مرحله :1 بارگیري تصویر اصلی سطح خاکستري مغز. اعمال فیلترینگ میانه براي حذف نویز. انتخاب بیشترین مقدار پیکسل در تصاویر در حالی که اسکلت بیشترین پیکسل یا255 را دارد. تمام مقادیر حداکثري پیکسل را 0 کنیم.
مرحله :2 تصاویر را با استفاده از روش آستانه سازيOtsu به تصاویر سیاه و سفید تبدیل کنیم
مرحله :3 با استفاده از بزرگترین جزء متصل، بزرگترین منطقه استخراج میشود. فرسایش در مورد تصویر انجام میشود تا شیهاي غیر متصل کوچک را حذف کنیم.
مرحله :4 حفرههاي موجود در تصاویر دوتایی را با استفاده از اتساع پرمی کنیم که تمام نقطههاي سیاه باقیمانده را در تصویر حذف میکند.تصویر حاصل ماسک تصویر اصلی است.
مرحله :5 منطقهي دلخواه یعنی مغز با استفاده از اپراتورANDبین تصویر فیلتر شده و ماسک حاصله در مرحلهي4 به دست میآید و این تصویر استخراج است که در آن تمام مصنوعات حذف شدهاند.
شکل - 2 نتایج الگوریتم
-5 بخشبندي خودکار
از الگوریتم کشف اوج[7] براي یافتن اوج هیستوگرام تصاویر استفاده میکنیم. تعداد دقیق مقادیر اوج بهعنوان شمارش اولیه دستههاي مربوط به الگوریتم دستهبندي میانههايK بکار میرود و مقدار سطح خاکستري - آستانهها - بین دو اوج مجاور[9] مراکز ثقل اولیه براي آن تعداد دستههايK است که در شکل3 نشان داده میشود. الگوریتمهاي دستهبندي میانههايK هر مقدار پیکسل را براي یک گروه خاص تنظیم میکند که نزدیکترین مرکز ثقل را داراست. زمانی که تمام پیکسلها به یک گروه داده شد،موقعیت مرکز ثقلهايKدر هر گروه دوباره محاسبه میشود و تمام مراحل تا زمانی که تغییري در مقادیر مراکز ثقل هر گروه به وجود نیاید تکرار میشوند. این باعث ایجاد شیهایی در گروهها یا دستههاي مختلف میشود. بالاترین مقدار تراکم در دسته انتخاب شده و این منطقهي بخشبندي شده میشود
