بخشی از مقاله
خلاصه:
تومورهای مغزی پیچیدهترین بیماری سرطان هستند که توسط سازمانهای مختلف ثبت سرطان در سطح جهانی شناخته شده است. تومورهای مغزی، بویژه در کودکان، بسیار کشنده و از بالاترین دلایل سرطان در بین بزرگسالان است. بنابراین طبقه بندی اتوماتیک تصاویر مغزی در حوزه پزشکی از اهمیت ویژهای برخوردار است. تحقیقات گذشته نشان داده است که تصاویر امآرآی به دلیل وضوح و کیفیت بالا، برای تعیین تومور و خصوصیات آن کاربرد بهتری نسبت به دیگر تصاویر مغزی دارد. در این مقاله از تبدیل موجک دو بعدی برای استخراج ویژگی از تصاویر امآرآی مغز سالم و بیمار - تومور مغزی - استفاده شده است.
سپس برای کاهش ویژگیها از روش تحلیل مؤلفه اصلی احتمالی استفاده شده و در نهایت از سیستم استنتاج تطبیقی فازی-عصبی که یک سیستم فازی عصبی است، برای انجام فرآیند تصمیمگیری و طبقهبندی نمونه ها استفاده شده است. تصاویر امآرآی از بیمارستان هنریفورد گرفته شده که برای 7 نفر داوطلب سالم و 7 نفر داوطلب بیمار بوده است. نتایج طبقهبندی نشان داده است که با استفاده از ضرایب تبدیل موجک دو بعدی و سیستم استنتاج تطبیقی فازی-عصبی، میانگین صحت %94/17± 1/44 برای دادههای آموزش و میانگین صحت %75± 0/00 برای دادههای تست به دست آمده است.
کلمات کلیدی: امآرآی، تومور مغزی، تبدیل موجک دوبعدی، سیستم استنتاج تطبیقی فازی-عصبی.
.1 مقدمه
تومور، تجمعی از بافتهاست که خارج از کنترل نیروهای معمول که رشد آنها را تنظیم میکنند، رشد میکنند. تومورهای مغزی دارای اندازهها، مکان و موقعیتهای متفاوت هستند و میتوانندمستقیماً تمامی سلولهای سالم مغز را ازبین ببرند. تومورها میتوانند خوش خیم یا بدخیم باشند و میتوانند در بخشهای مختلف مغز اتفاق بیفتند و امکان دارد که تومورهای اولیه باشند یا نباشند .[1]تصویربرداری تشدید مغناطیسی - MRI1 - یک تکنیک پیشرفته تصویر برداری پزشکی است که اطلاعات بسیاری در مورد آناتومی بافتهای نرم انسان تهیه میکند. این روش غالباً در رادیولوژی برای تصویر سازی ساختار و کارکرد بدن انسان استفاده میشود.
MRI تصویری از بدن با جزییات بسیار در هر جهت را میتواند تولید کند. MRI به ویژه در تصویر برداری های عصبی - مغز - ، اسکلتی عضلانی و غده شناسی - سرطان - مفید است زیرا نسبت به برش نگاری کامپیوتری - CT2 - کنتراست بهتری بین بافت های نرم مختلف بدن ارائه میدهد. MRI چندین مزیت نسبت به سایر روشهای تصویر برداری دارد، که یکی از آنها ایجاد کنتراست بالا بین بافت های نرم است .[1]تاکنون از روشها و الگوریتمهای متعددی مانندپرسپترونِ چندلایه، نگاشت خود سازمانده، شبکههای عصبیِ هاپفیلدو خوشهبندی C میانگین فازی برای طبقهبندی تصایر پزشکی استفاده شده است .[2] همچنین روشهای مختلفی برای استخراج ویژگی از تصاویر پزشکی استفاده شده است که از میان آنها میتوان به بسته موجک[3]، ماتریس رخداد سطح خاکستری [4] و الگوریتم [5] LOG-Lindeberg اشاره کرد.
در این مقاله با استفاده از ترکیب تبدیل موجک دو بعدی و سیستم استنتاج تطبیقی فازی - عصبی - ANFIS3 - ، تصاویر MRI مغزی طبقهبندی شده است. الگوریتم پیشنهادی شامل چهار مرحلهی مهم به نام: -1 استخراج ویژگی با استفاده از تبدیل موجک دو بعدی، -2 نرمالسازی ویژگیها، -3 کاهش ابعاد ویژگی با استفاده از تجزیه و تحلیل مؤلفه اصلی احتمالی - PPCA4 - و -4 طبقهبندی با استفاده از سیستم استنتاج تطبیقی فازی - عصبی است. در ادامه در بخش دوم، به بررسی روش کار و مراحل آن - داده، استخراج ویژگی، نرمالسازی، کاهش بعد و طبقهبندی - پرداخته شده و در بخش سوم و چهارم به ترتیب نتایج و نتیجهگیری کلی بیان شده است.
2.روش کار
بلوک دیاگرام کلی طرح پیشنهادی در شکل 1 نشان داده شده است. در ابتدا ضرایب آخرین سطح با استفاده از تبدیل موجک دو بعدی تصاویر MR استخراج شده سپس ویژگیهای اولیه برای داشتن میانگین صفر و واریانس واحد قبل از مرحله کاهش ویژگی نرمال شده است. برای دستیابی به مجموعه ناهمبسته تفکیک کننده کاهش یافتهای از ویژگیها، PPCA مورد استفاده قرارگرفته است. در نهایت، ویژگیهای به دست آمده توسط طبقهبندی کنندهی ANFIS طبقهبندی شدهاند.
.1-2 داده
در این مقاله از تصاویر DTMRI1 مربوط به 14 شخص سالم و بیمار استفاده شده است که همه آنها در بیمارستان هنری فوردگرفته شدهاند. نمونهای از تصاویر MRI در شکل 2 نشان داده شده است.
.2-2 تبدیل موجک
تبدیلات موجک را میتوان به یک بعدی و دوبعدی تقسیم کرد. تبدیل موجک دوبعدی برای تصاویر استفاده میشود و در واقع از دو تبدیل یک بعدی تشکیل شده است که بر روی هر دو بعد یک تصویر اعمال میشود. استفاده از تبدیل موجک پیوسته دو بعدی - CWT2 - در پردازش تصویر با آنالیز موجک چندان متداول نیست. اما تبدیل موجک دوتایی گسسته دو بعدی - DWT3 - ، به خاطر فشردگی و عملکرد عالی در رمز نگاری، بیان دادهها و بازسازی تصویر و غیره، کاربردهای بسیاری دارد .[6]
برای اعمال تبدیل موجک بر روی تصویر، در ابتدا باید تصویر را توسط فیلترهای پایین گذر L و بالا گذر H، فیلتر کرد، سپس نمونه برداری را انجام داد. بعد از اعمال این فرآیند ماتریس ضرایب lH - x,y - و - lL - x,y تولید میشوند. سپس با اعمال دوباره فیلترهای بالاگذر و پایینگذر به هر ستون و سپس نمونهبرداری، 4 زیر تصویر lLL - x,y - ، lLH - x,y - ، lHL - x,y - ، lHH - x,y - ، برای یک سطح تجزیه به دست میآید - شکل .[7 ] - 3 در این مقاله، از توابع موجک موجود در نرم افزار متلب db4 - ، sym4 و - Haar استفاده شده است.
.3-2 نرمالسازی
نرمالسازی ویژگیها جهت افزایش کارایی سیستم انجام شده است. روشهای متعددی برای نرمال سازی وجود دارد که در این تحقیق ویژگیها برای داشتن میانگین صفر و واریانس واحد با توجه به فرمول زیر نرمالیزه شدهاند.
