بخشی از مقاله
چکیده
تشخیص تومور مغزی به وسیله عامل انسانی، امری زمانبر است و طبقه بندی مبهمی را ارائه می دهد. از این رو، سیستمی خودکار برای طبقه بندی تصاویر تومور مغزی مورد نیاز است. با تقسیم بندی تصاویر MRI مغز در یک تصویر می توان به مناطقی که دارای ویژگی های مشابه برای شناسایی و تشخیص هستند، دست یافت. تقسیم بندی تصویر MRI در پزشکی بسیار گسترده است. این عمل می تواند دقت تشخیص را افزایش دهد و به پزشکان کمک کند تا خطاها را به حداقل برسانند.
سیستم تشخیص تومور می تواند در تصمیم گیری و تشخیص توسط پزشکان، پرستاران و کسانی که در این زمینه کار می کنند، کمک کند. روش پیشنهادی برای تقسیم بندی تومور در سه مرحله با استفاده از پردازش تصویر و روش های یادگیری ماشین انجام می شود: استخراج هیستوگرام و ماشین SVM ، حذف جمجمه و خوشه بندی .K-MEANS نتایج تجربی نشان دهنده تشخیص مناسب تومور مغزی بود. در این پژوهش دقت، صحت و استخراج ویژگی با درصد مناسبی حاصل شد.
.1 مقدمه
در سال 2010 تعداد 62930 مورد جدید تشخیص تومور مغزی توسط انجمن تومور مغزی آمریکا - ABTA - 1 ثبت شده است. علاوه بر این، موسسه ملی سرطان - NCI - 2 حدودا 22070 مورد جدید سرطان در سال 2009 در ایالات متحده آمریکا تشخیص داده است
این آمار نشان می دهد که تومور و تشخیص تومور در مغز یک مسئله مهم در مبحث مراقبت های بهداشتی است. یکی از ابزارهای مفید برای این کار تصویربرداری پزشکی است. تصویربرداری پزشکی می تواند در حوزه بهداشت و درمان با استفاده از علوم کامپیوتر بیشتر مفید باشد. تقسیم بندی عروق خونی [2]، تشخیص تومور مغزی [3]، تشخیص سرطان پستان [4] و... بسیاری از قابلیت های مفید و قابل اجرا در تصویربرداری پزشکی و مراقبت های بهداشتی می باشد.
پردازش تصویر دامنه استفاده گسترده ای دارد از جمله: تشخیص شی، قطعه بندی، تشخیص دست نوشته و... . همچنین می تواند در حوزه های صنعتی، پزشکی، نظامی و... استفاده شود. در استفاده پزشکی، تصویربرداری رزونانس مغناطیسی3 - MRI - یک نوع از روش تصویربرداری است که در رادیولوژی استفاده می شود تا یک تصویر مجازی از بدن انسان را نمایش می دهد.
این روش تصویربرداری، تصاویر دقیق از قسمت های مختلف بدن را در هر قسمت فراهم می کند. در تصویربرداری عصبی، تصاویر MRI کنتراست بسیار بیشتری بین بافت های مختلف بدن نسبت به تصاویر توموگرافی کامپیوتری - CT - دارند. تصویربرداری MR دارای مزایای بسیاری نسبت روش های دیگر تصویربرداری پزشکی می باشد. یکی از تفاوت های بزرگ در قدرت تفکیک مکانی بالا و تفاوت بزرگ بافت نرم مانند پوست، عضله، عروق و... است. تصویربرداری MRI بیشتر برای تصویریرداری از مغز مفید است
تکنیک های پردازش تصویر به پزشکان و محققان اجازه می دهد به منظور ارزیابی فعالیت ها و اختلالات در مغز انسان، قبل از عمل جراحی مغز را مورد بررسی قرار دهند
تشخیص تومور مغزی در تصاویر MRI یکی از برنامه های کاربردی مفید پردازش تصویر در پزشکی می باشد. امروزه، روش های زیادی برای تشخیص تومور در تصاویر MR وجود دارد. محققان زیادی نیز روش های کاربردی مختلف برای تشخیص تومور در تصاویر MRI ارائه کرده اند
جراحان مغز و اعصاب به طور معمول نیاز به تعیین دقیق تومور قبل از جراحی دارند، که نیازمند پردازش تصویر و قطعه بندی تصویر تومور مغزی می باشد. انجام قطعه بندی تومورهای مغزی در تصاویر MRI به طور کلی وقت گیر و دشوار است .[5] در نتیجه، در دهه های اخیر، محققان به طور مداوم در تلاش برای طراحی و توسعه روش خودکار قطعه بندی تصاویر تومور مغزی شده اند
اگر چه چندین روش تقسیم بندی کلی از قبیل آستانه گیری، بررسی منطقه در حال رشد، و خوشه بندی تصویر برای تشخیص تومور در تصاویر پزشکی وجود دارد، اما این روش ها کاملا توانایی شناسایی تومور مغزی را ندارند. زیرا شباهت بین تومورهای مغزی و برخی از بافت های سالم می تواند باعث سردرگمی در الگوریتم تشخیص ایجاد کند
ماشین برداری پشتیبان - SVM - برای تشخیص تومور مغز استفاده می شود. این رویکرد شامل سه مرحله است: گام اول یادگیری و آموزش خودکار SVM؛ گام دوم طبقه بندی بافت تومور می باشد، و آخرین مرحله افزایش کلاس بندی نتایج است SVM .[7] ها ابزار مفید برای طبقه بندی هستند و برنامه های کاربردی آن موضوعات زیادی را در تحقیقات، اعم از تشخیص الگو، طبقه بندی متن و تحقیقات زیست پزشکی [10 ,9] را شامل می شوند.
تومور مغزی یک توده یا رشد سلول های غیر طبیعی در بافت مغز است. دو نوع تومور سرطانی و غیر سرطانی وجود دارد. تحقیقات نشان می دهد که بیش از یک سوم از تومورهای مغزی سرطانی هستند، و تومورهای مغزی رتبه بالای مرگ و میر ناشی از سرطان را دارند. بنابراین، تشخیص زودرس و درمان برای ادامه زندگی فرد بیمار بسیار مهم می باشد
جزئیات دقیق تومورهای مغزی نمایش داده شده به وسیله روش های تصویربرداری مانند اشعه ایکس، سونوگرافی، توموگرافی کامپیوتری - CT - ، و تصویربرداری رزونانس مغناطیسی - MRI - پزشکان را به درک بافت تومورهای مغزی و تعیین نوع درمان قادر می سازد. محل و وسعت تومور از عوامل تعیین کننده در تصمیم درمان هستند .[12] تهدید یک تومور بستگی به ترکیبی از عوامل مختلف از جمله نوع تومور، محل، اندازه تومور، و راه تومور گستردش دارد
در این پژوهش پس از دریافت تصاویر و حذف نویز و ناهمواری های موجود در تصویر، ابتدا تصویر را به دو قسمت تقسیم می کنیم، سپس هیستوگرام دو تصویر را استخراج می نماییم، و با استفاده از SVM هیستوگرام ها دو تصویر را مقایسه می نماییم، در صورت تطابق دو نمودار هیستوگرام نتیجه می شود که تصویر MRI دارای تومور نمی باشد. اما در صورت عدم تطابق هیستوگرام ها، ابتدا قسمت جمجه را از تصویر حذف می نماییم، سپس با استفاده از الگوریتم K-MEANS تصویر را خوشه بندی کرده و پس از آن تصویر را قطعه بندی می کنیم. دلیل استفاده از SVM جهت مقایسه هیستوگرام تصاویر، دقت و سرعت مناسب این الگوریتم بود و همچنین با توجه به مطالعه کارهای پیشین، مناسب ترین الگوریتم جهت قطعه بندی تصاویر دارای تومور الگوریتم K-means تشخیص داده شد.
به دلیل افزایش آمار مرگ و میر ناشی از تومورهای مغزی و همچنین نیاز به یک سیستم جهت تشخیص کامپیوتری که به پزشکان در امر بررسی تومورهای مغزی کمک کند، ضرورت انجام پژوهشی که بتواند تصاویر MRI مغز را بررسی کرده و وجود و عدم وجود تومور را با دقت بالا نمایش دهد احساس می شود. بنابراین در این پژوهش به دنبال طراحی سیستم تصمیم یار جهت تشخیص تومور در تصاویر MRI می باشیم.
در این قسمت - 2 - مقاله کارهای انجام شده قبلی در موضوع تشخیص توده سرطانی در مغز را مرور می نماییم. در قسمت - 3 - به معرفی روش پیشنهادی می پردازیم. در قسمت - 4 - نتایج شبیه سازی و را بررسی می نماییم و به ارزیابی سیستم طراحی شده می پردازیم در قسمت - 5 - به بحث و نتیجه گیری در موضوع مقاله می پردازیم.
.2 کارهای پیشین
در [8] یک سیستم جهت قطعه بندی و تشخیص تومور مغزی در تصاویر MRI پیشنهاد شد. در این پژوهش دو از روش تحلیل موجک گابور و تحلیل ویژگی های آماری تصویر برای قطعه بندی تصویر استفاده شد. در اغلب موارد نتایج روش تحلیل ویژگی های آماری نتایج بهینه تری را نسبت به تحلیل موجک گابور نشان داد. در این مقاله از دو روش برای تشخیص تومور استفاده گردید که هر دو موفق بودند و نتایج هر دو روش اختلاف کمی با هم داشتند، همچنین پیچیدگی محاسباتی در این روش بسیار کم بود. اما به دلیل استفاده چند مرحله ای بودن مراحل پردازش، این روش دارای پیچیدگی زمانی بود و از نظر زمانی بهینه نمی باشد.
در [12] یک سیستم برای خوشه بندی و قطعه بندی تصاویر MRI T1w ارائه نمودند. در این پژوهش ابتدا به پنج روش PCA، EM-PCA، PPCA، APEX و GHA تصاویر خوشه بندی گردیدند، که بهترین نتایج خوشه بندی متعلق به روش PPCA بود و در مرحله بعد، پس از خوشه بندی به روش PPCA، تصاویر به وسیله الگوریتم K-MEANS تصاویر قطعه بندی شدند و نقاط مشکوک به تومور جداسازی شدند. این پژوهش چند روش خوشه بندی را روی تصاویر اجرا کرده است و بهترین روش را معرفی کرده است، که می تواند جهت پژوهش های بعدی، پژوهشگران را راهنمایی کند. اما این روش بر روی یک دسته خاص از تصاویر MRI اعمال گردید، و نمی توان با اطمینان این نتایج را به تمام تصاویر MRI تعمیم داد.
در [14] برای بهبود نتایج تصاویر مغز PSNR، از روش ادغام آنتروپی تصویر استفاده شد. جهت قطعه بندی از الگوریتم k-means خوشه بندی استفاده شد. سپس کل پایگاه داده با استفاده از کلاس بندی هلالی چند SVM کلاس بندی شد. این روش نتیجه ای با دقت %96 داشت
