بخشی از مقاله
چکیده -
ملانومای بدخیم نوع خطرناک و کشندهی سرطان پوست است. درمان قطعی این بیماری در گرو تشخیص زودهنگام آن است که به عنوان یک چالش برای متخصصان پوست مطرح است. بنابراین، روشهای مبتنیبر رایانه برای شناسایی زودهنگام این بیماری در سالیان اخیر مورد توجه قرار گرفته است. اغلب پژوهشهای انجامشده در این زمینه، برروی تشخیص ملانوما در برابر خال خوشخیم تمرکز داشتهاند.
در این مقاله، یک ساختار سلسله مراتبی ساده دو مرحلهای برای ترکیب طبقهبندها بهمنظور تشخیص ملانوما از خال دیسپلاستیک و خوشخیم ارائه شدهاست. در مرحله استخراج ویژگی، تعداد 116 ویژگی شامل ویژگیهای شکل، رنگ، بافت، و حوزه تبدیل از تصویر استخراج گردید. با روش جستجوی ترتیبی متوالی رو به عقب، تعداد 20 ویژگی متفاوت برای طبقهبندی نمونهها انتخاب شد.
روش پیشنهادی برروی 190 تصویر درموسکوپی از پایگاه دادهی PH2 که شامل تصاویری از خال خوشخیم، دیسپلاستیک و ملانوما است، پیادهسازی گردید. نتایج نشان دادهاست که روش پیشنهادی قادر به تفکیک نمونهها در سه کلاس متفاوت با دقت تشخیص 95,4 درصد بودهاست. روش پیشنهادی در مقایسه با روشهای دیگر روی همین پایگاه داده، بهبود قابل ملاحظهای در نرخهای تشخیصی داشتهاست.
-1 مقدمه
سرطان پوست یکیاز سرطانهای شایع در جهان است که انواع مختلفی را شامل میشود. ملانومای بدخیم نوع خطرناک سرطان پوست است که آمار مبتلایان به آن همواره روند رو به رشد دارد. براساس آمار ارائه شده توسط انجمن سرطان آمریکا در سال 2017، تعداد 87110 نفر مبتلابه ملانوما شناسایی خواهند شد که از بین آنها 9730 نفر جان خود را براثر این بیماری از دست میدهند.
درصورت تشخیص زود هنگام ملانوما، میتوان آن را با یک برش ساده درمان نمود. درموسکوپی روش غیر تهاجمی تصویربرداری از سطح پوست است که برای ارزیابی زخمهای رنگدانهای پوست بهکار میرود. این ابزار درصورتی که توسط فرد با تجربه مورد استفاده قرار گیرد، میتواند تشخیص ملانوما را آسان نماید. لذا، تشخیص درست این بیماری نیازمند تخصص و تجربه بالای پزشک است. مشاهدات نشان میدهد که خطای تشخیص زمانی که پزشک دارای تخصص و تجربه کمی است، افزایش مییابد.
از اینرو بهمنظور کاهش خطاهای تشخیص وابسته به تفسیر انسان، استفادهاز رویکردهای تحلیل رایانهای تصویر درسالیان اخیر موردتوجه قرار گرفتهاست. روشهای تحلیل رایانهای مورد استفاده عموما دارای چهار مرحله شامل پیشپردازش، قطعهبندی، استخراج و انتخاب ویژگی، و طبقهبندی هستند. این مراحل در شکل1 نشان داده شدهاست. متخصصان پوست اغلب از قانون "ABCD" برای بررسی زخمهای رنگدانهای استفاده میکنند. این قانون در واقع به بررسی عدم تقارن، مرزهای نامنظم، تغییر رنگ و تفاوتهای ساختاری یک زخم میپردازد. این قاعده، اساس کار بسیاری از پژوهشها برروی تصاویر درموسکوپی پایگاه دادههای مختلف است. کاسوموپاترو و همکاران، 18 ویژگی شکل و رنگ از تصاویر درموسکوپی استخراج کردند. سپس، با استفاده از شبکه عصبی مصنوعی تصاویر خوشخیم و بدخیم را از یکدیگر جدا نمودند.
مژده راستگو و همکاران در[4] یک قالب خودکار با استفاده از ویژگیهای شکل، رنگ و بافت و طبقهبند جنگلهای تصادفی بهمنظور تمایز بین خال بدخیم و دیسپالاستیک ارائه کردند که منجر به حساسیت %98 و قطعیت 70% گردید. کاویسا و همکاران با تمرکز بر استخراج ویژگیهای سراسری و محلی از بافت، نمونههای سالم و سرطانی را طبقهبندی نمودند. آنها نشان دادند که ویژگی بافت محلی از نوع ویژگی تسریع مقاوم - SURF - عملکرد بهتری را در مقایسه با سایر ویژگیها دارا است.[5] باراتا و همکاران، با استخراج ویژگیهای رنگ و بافت، از یک مدل BoF برای طبقهبندی ضایعهها استفاده کردند.[6] پیشپردازش و قطعهبندی صحیح ضایعه پوست موجب استخراج ویژگیهای دقیقتر از تصویر شده و دقت طبقهبندی را افزایش میدهد.
در این مقاله، یک فرآیند پیشپردازش برروی تصاویر ضایعه اعمال گردید و سپس، تصویر قطعهبندی شدهی دستی موجود در پایگاه داده برای جداسازی ناحیه ضایعه استفاده شد. تعداد 116 ویژگی مختلف شکل، رنگ، بافت، و حوزه تبدیل از تصویر استخراج گردید. سپس، تعداد 20 ویژگی مبتنیبر روش جستجوی متوالی رو به عقب انتخاب شد. تصاویر ضایعات در سه کلاس خوشخیم، دیسپلاستیک، و ملانوما مبتنیبر طبقهبند سلسله مراتبی دو مرحلهای تفکیک شدند. نتایج حاکی از تفکیک نمونهها با دقت تشخیص 95,4 درصد بودهاست که در قیاس با کارهای دیگر روی همین پایگاه داده، بهبود قابل ملاحظهای ایجاد کردهاست.
شکل-1 بلوک دیاگرام یک سیستم شناسایی خودکار سرطان پوست
-2 پایگاه داده و روش تحلیل
تصاویر درموسکوپی پایگاه داده PH2 بهمنظور ارزیابی عملکرد روش پیشنهادی استفاده شدهاست. این پایگاه داده شامل 200 تصویر ضایعات پوستی شامل 40 تصویر ملانوما، 80 تصویر خال خوشخیم، و 80 تصویر دیسپلاستیک است. تمام تصاویر این پایگاهداده درشرایط مشابه با سیستم Tellibinger Mole Analyzer34 و بزرگنمایی 20 اخذ شدهاست. این تصاویر در فضای رنگی RGB هشت بیتی با وضوح 768×560 پیکسل ثبت شدهاند.[7]
-1-2 روش پیشنهادی
مطابق روند ذکرشده شناسایی ضایعه، پیشپردازش جهت حذف موهای زاید تصویر با استفادهاز نرمافزار dullrazor انجام پذیرفت.[8] شکل2 نتیجه حاصل از پیشپردازش را نشان میدهد. سپس، قسمت ضایعه مبتنیبر تصاویر قطعهبندی شدهی دستی پایگاه داده PH2 از تصویر پوست جداشده و مجموعه ویژگیهای شکل، رنگ، بافت، و حوزه تبدیل استخراج گردید.
شکل -2 سمت چپ تصویر اصلی، سمت راست، تصویر حاصل از اعمال پیش پردازش
باتوجه به وجود سه نوع ضایعهی خوشخیم، دیسپلاستیک و ملانوما در پایگاهداده، یک روش طبقهبندی سلسله مراتبی دو مرحلهای ساده پیشنهاد شد. در این روش، ابتدا ضایعه خوشخیم و دیسپلاستیک در مقابل ملانوما طبقهبندی میشود . سپس در مرحله دوم، دو ضایعه خوشخیم و دیسپلاستیک از یکدیگر تفکیک خواهند شد.
-2-2 استخراج ویژگی
پساز قطعهبندی ضایعه، ویژگیها از تصویر ضایعه استخراج میشود. قانون بالینی "ABCD" در این مرحله توسط پزشکان استفاده میشود. این قانون به بررسی ضایعه براساس تقارن مرز، رنگ و ساختار ناحیه زخم میپردازد. بنابراین، سه دسته ویژگی رنگ، شکل و بافت برای تصویر ضایعه تعریف میشود. در این مقاله، علاوهبر ویژگیهای فوق، چند ویژگی نیز در حوزه تبدیل استخراج گردید. بهطورکلی، ویژگیهای زیر از ناحیه ضایعه هر تصویر استخراج میگردد.
الف - ویژگیهای شکل: مساحت زخم، نسبت ابعاد، شاخص گریز از مرکز، ضریب تراکم، شاخص نامتقارنی[9]، ضریب سختی، ضریب کشیدگی، شاخص مستطیلی، قطر معادل، تحدب و شاخص دایروی.
ب - ویژگیهای رنگ: میانگین، انحراف استاندارد و واریانس از هر کانال فضاهای رنگی O1O2O3، RGB، HSV ، lab و واریانس از کانال I فضای رنگی .HSI
ج - ویژگیهای بافت : باتوجه به شکل3، برای استخراج ویژگیهای بافت لازم است که ویژگیهای موردنظر در محل بافت محاسبه گردند. از اینرو، ابتدا بزرگترین مستطیل محاطبر ضایعه محاسبه شده و سپس، ویژگیهای مورد نظر برای توصیف بافت استخراج خواهندشد. از تصویر سطحخاکستریحاصل، مجموعه ویژگیهای آماری میانگین، انحراف معیار، نرمی، ممان مرتبه سوم، یکنواختی و آنتروپی استخراج میگردد.
شکل-3 بزرگترین مستطیل محاط بر ناحیه داخلی ضایعه
ماتریس همرخداد - GLCM - نیز برای استخراج برخیاز ویژگیهای بافت استفادهشد. این ماتریس بیانگر احتمال وجود نقاطی با سطوح روشنایی مفروض در فاصله و زاویه معین از یکدیگر در تصویر است.[10] چهار ویژگی تضاد، همگنی، انرژی و آنتروپی مطابق رابطههای زیر از عناصر ماتریس p - i,j - محاسبه میشود.
ویژگی از طریق حذف ویژگیهای زاید، غیرضروری و نویزی است. از مزایای انتخاب ویژگی میتوان به کاهش زمان استخراج ویژگی و فضای ذخیرهسازی، افزایش صحت طبقهبندی، کاهش زمان آموزش و آزمایش، و همچنین، کاهش پیچیدگی طبقهبند اشارهکرد.[13] یکیاز روشهای معمول در انتخاب ویژگی، روش انتخابویژگیمتوالی - SFS - است. در این روش، بردار ویژگی نامزد مبتنیبر یک معیار سنجش ارزش اطلاعاتی بهصورت ترتیبی انتخاب میشود .[14] این روش جستجو دو نوع است. نوع اول، انتخاب متوالی رو به جلو - SFS - و نوع دوم، انتخاب متوالی رو به عقب - SBS - نام دارد. در این مقاله، روش جستجوی نوع دوم استفاده گردید. عملکرد آن به این صورت است که از یک زیر مجموعه کامل از ویژگیها آغاز شده و در آن ویژگیهای نامناسب بهطور متوالی حذف میشوند. این فرآیند تا زمانی که حذف ویژگیهای بیشتر منجر به بهبود معیار شود، ادامه پیدا خواهدکرد. شکل4 بلوک دیاگرام روش انتخابویژگی متوالی را نشان میدهد.
-4-2 طبقهبندی سلسله مراتبی دو مرحلهای
طبقهبندی بخش حیاتی در شناسایی انواع سرطان پوست است. طبقهبندها هدف را تشخیص داده و براساس ویژگیهای استخراج شده از یک تصویر به عنوان ورودی، عمل دستهبندی را انجام میدهند. ماشین بردار پشتیبان - SVM - ، شبکههای عصبی مصنوعی - ANN - ، و K نزدیکترین همسایه - KNN - طبقهبندهای معمول مورد استفاده بودهاند. در این مقاله، یک روش سلسله مراتبی دو مرحلهای ساده شامل دو طبقهبند مجزا استفاده شده ویژگیهای ذکرشده فوق را میتوان در حوزه تبدیل نیز مورد توجه قرار داد.
بدین منظور از تصویر ضایعه تبدیل فوریه گرفته و مجموعه ویژگیهای آماری و ماتریس همرخداد برای آن محاسبه میگردد. این روند برای تصویر حاصل از اعمال تبدیل موجک دو بعدی سطح دو با موجک "Haar" بر روی ضایعه نیز تکرار گردید. ویژگیهای دیگری نیز در حوزه تبدیل تعریف میشود. این ویژگیها شامل اولین پیکسل از تبدیل فوریه تصویر، میانگین و انحراف استاندارد از 20 سطر و ستون اول تبدیل فوریه، و اولین پیکسل از همبستگی متقابل - cross correlation - حاصل از تبدیل فوریه تصویر هستند. تمام این ویژگیها برای تبدیل کسینوسی تصویر نیز استخراج گردید.
