بخشی از مقاله
خلاصه
تکنیکهای قطعهبندی تصویر به طور گستردهای در تصویربرداری پزشکی برای جداسازی ناحیه همگن استفاده می-شوند. تاکنون هیچ روش قطعهبندی تصویر کاملی که بتواند نتایج رضایتبخش برای کاربردهای تصویربرداری مانند MRI مغز، تشخیص سرطان مغز و غیره ایجاد کند، ارائه نشده است. در این پژوهش، روشی برای قطعهبندی تومور مغزی در تصاویر MRI با استفاده از روشهای حوزه تبدیل و کانتورلت ارائه شده است. ابتدا یک نمایش چند رزولوشن از تصویر ورودی را با استفاده از تبدیل کانتورلت ایجاد میکند.
سپس یک بردار 8 بعدی ویژگی برای هر پیکسل با استفاده از اینتر رزولوشن و اینترارزولوشن دادهها استخراج میشود. ابعاد بردار ویژگی نهایی با استفاده از آنالیز مؤلفههای پایه کاهش داده میشود. در نهایت بردارهای ویژگی در دستههای گسسته قطعهبندی میشوند . روش پیشنهادی بر روی تصاویر مغز و در نرمافزار متلب پیادهسازی شده است. الگوریتم پیشنهادی در محاسبات ساده است و درعینحال در قطعهبندی تومور مغزی در تصاویر MRI کارا است.
استفاده از زیرباندهای 8 گانه برخلاف تبدیل موجک متداول که تنها در سه جهت ضرایب استخراج میشوند به ما کمک میکند که جزئیات جهتدار تصویر را نیز بهتر شناسایی کنیم همچنین استفاده از 8 ویژگی جهتدار برای هر پیکسل موجب میشود که جزئیات استخراجشده در زیرباندهای مختلف با توجه به جهت مشابه تقویت شوند و از همبستگی زیر باندها حداکثر استفاده به عمل آید. روش پیشنهادی مشکل روی هم افتادگی ناحیهای روش کانتور فعال را ندارد و میتواند نواحی داخلی ناحیهای بزرگ را تشخیص دهد. الگوریتم پیشنهادی مجموعاً کارایی را نسبت به کانتور فعال شش درصد و نسبت به روش استخراج ویژگی دو بعدی از تبدیل موجک، یک درصد بهبود بخشیده است.
.1 مقدمه
قطعهبندی، یک تصویر را به ناحیههایی از اجزاء یا اشیاء تقسیم میکند و یک ابزار مهم در پردازش تصویر پزشکی است .[1] از طریق شناسایی تمام پیکسلها - تصویر دو بعدی - و یا وکسلها - تصویر سهبعدی - متعلق به یک شیء، قطعهبندی یک شیء خاص به دست میآید.[2] در تصویربرداری پزشکی، قطعهبندی برای استخراج ویژگی، اندازهگیری تصویر و نمایش عکس بسیار مهم است.[3]
قطعهبندی ساختار مغز در تصویربرداری رزونانس مغناطیسی - MRI - *، بالاترین اهمیت را دارد، ازاینرو MRI خود را از روشهای دیگر متمایز نموده و میتواند در تحلیل حجمی بافت مغز مانند مولتیپل اسکلروزیس - MS - ، شیزوفرنی ، صرع ، پارکینسون**، آلزایمر، آتروفی مغز و غیره به کار رود .[4] در قطعهبندی تصویر، میزان تقسیم یک تصویر به مناطق یا اشیاء تشکیلدهنده آن، وابسته به مسئلهای است که باید حل شود. بهعبارتدیگر، هنگامیکه هدف موردنظر جدا میشود، قطعهبندی تصویر [1] باید متوقف شود. هدف اصلی قطعهبندی، تقسیم تصویر به قطعاتی است که همبستگی قوی با مناطق موردعلاقه در تصویر دارند.
قطعهبندی را میتوان در درجه اول به صورت کامل و جزئی طبقهبندی نمود. نتایج قطعهبندی کامل در مجموعهای از نواحی مجزا، فقط با اشیا تصویر ورودی متناظرند. درحالیکه نواحی حاصل از قطعهبندی جزئی به طور مستقیم با تصویر ورودی مرتبط نیستند .[5] در تصویربرداری پزشکی برای تحلیل ساختارهای آناتومیک مثل استخوانها، عضلات، عروق خونی، انواع بافت، نواحی پاتولوژیک مانند سرطان، ضایعات اسکلروز متعدد و تقسیم یک تصویر کامل به نواحی فرعی مانند فضاهای ماده سفید - WM - ، ماده خاکستری - GM - و مایع مغزی نخاعی*** - CSF - در ترسیم خودکار مغز از اجزای مختلف تصویر استفاده میشود .[2]
در حوزه پردازش تصویر پزشکی، قطعهبندی تصویر MR مغز حائز اهمیت است، چون MRI به طور خاص به دلیل کنتراست بسیار عالی آن از بافت نرم، ویژگیهای غیرتهاجمی و وضوح فضایی بالا، برای مطالعات مغز مناسب است. قطعهبندی تصویر یک ابزار اساسی در پردازش تصویر پزشکی است و در کاربردهای مختلف مورداستفاده قرار میگیرد. بهعنوانمثال، در حوزه تصویربرداری پزشکی برای تشخیص ضایعههای اسکلروز متعدد، برنامهریزی عمل جراحی، انجام عمل جراحی شبیهسازیشده، تعیین محل تومورها و دیگر آسیبشناسیها، اندازهگیری حجم بافت، قطعهبندی MRI مغز، مطالعه ساختار آناتومیک و غیره استفاده میشود .[3]
در ژوئن 2016، Saha و همکارانش قطعهبندی تصویر مغز را با استفاده از خوشهبندی شبهنظارتی انجام دادند. این تکنیک با استفاده از مفاهیم بهینهسازی چند هدفه در فضای شدت پیادهسازی شده است. همچنین این روش از سه شاخص اعتبار خوشه به عنوان تابع هدف استفاده میکند که بهطور همزمان با استفاده از AMOSA بهینه میشوند. .[6] در پژوهش دیگری که توسط Jiang و همکارانش در سال 2013 انجام شد، روشی برای ساخت یک گراف با استفاده از مجموعه ویژگیهای یادگیری جمعیت و ویژگیهای خاص بیمار در تصاویر MRIپیشنهاد شد که نهایتاً برای رسیدن به قطعهبندی نهایی، از برش گراف استفاده میکند.
عملکرد روش پیشنهادی با استفاده از 23 توالی تصویر glioma ارزیابیشده و با برخی روشهای مطرح مقایسه شده است .[7] در پژوهش دیگری که در سال 2015 توسط Vasileios و همکارانش انجام شد، یک الگوریتم ترکیبی کمهزینه و بدون نظارت پیشنهاد شد. در این طرح به منظور استخراج اطلاعات محلی و کلی از بافتهای مغز و مدل کردن پروفایلهای تصویربرداری در دو وضعیت سالم و بدخیم، چهار توالی معمول MRI یعنی وزن دهی T1، وزن دهی T1 گادولینیوم بهبودیافته، وزن دهی T2 و بازیابی معکوس تضعیف مایع، با تکنیکهای یادگیری ماشین ترکیب میشوند. نتایج این مطالعه نشان میدهد که روش پیشنهادی از نظر دقت مشابه روشهای فعلی است درحالیکه هزینه محاسباتی کمتر و درجه اتوماسیون بالاتری دارد .[8]
.2 مواد و روش ها
.1-2 معرفی روش تکامل مجموعه سطح تنظیمشده فاصله
این پژوهش یک فرمولبندی تنظیم سطح تغییرپذیر کلیتر با عبارت تنظیم فاصله و عبارت انرژی خارجی پیشنهاد میکند که حرکت کانتور سطح صفر به موقعیت موردنظر را هدایت میکند. در تکامل تنظیم سطح، نظم LSF توسط انتشار FAB بهدستآمده از عبارت تنظیم فاصله، حفظ میشود. در نتیجه، تنظیم فاصله به طور کامل نیاز به مقداردهی اولیه مجدد را در یک روش اصولی از بین میبرد و از بروز عوارض نامطلوب معرفی شده توسط عبارت خطا در کار اولیه [9] جلوگیری میکند و بنابراین تکامل تنظیم سطح را در فرمولبندی تکامل مجموعه سطح تنظیمشده فاصله - DRLSE - * فراخوانی میشود.
DRLSE .2-2
در روشهای تنظیم سطح، یک کانتور به عنوان تنظیم سطح صفر LSF تعبیه میشود. اگرچه نتیجه نهایی روش تنظیم سطح، تنظیم سطح صفر LSF است، لازم است که LSF در یک وضعیت خوب حفظ شود، بهطوریکه تکامل تنظیم سطح ثابت باشد و محاسبات عددی دقیق باشد. این مستلزم آن است که LSF در طی تکامل تنظیم سطح، هموار و نه خیلی سریع و نه بیشازحد مسطح باشد. این شرایط با توابع فاصله علامت برای مشخصه منحصربهفرد آنها یعنی ارضا میشود که به مشخصه فاصله علامت اشاره میکند.
بهعنوانمثال برای حالت دو بعدی، تابع فاصله علامت z = ϕ - x, y - را به عنوان یک سطح در نظر میگیریم. سپس سطح تانژانت آن، زاویه 45 درجه را با هر دو صفحه xy و محور میسازد که میتواند به سادگی با مشخصه فاصله علامت |∇ϕ| = 1 بررسی شود. برای این مشخصه مطلوب، توابع فاصله علامت به طور گسترده به عنوان توابع تنظیم سطح در روشهای تنظیم سطح استفاده میشود. در فرمولبندی تنظیم سطح مرسوم، LSFمعمولاً مقداردهی اولیه میشود و به صورت دورهای به عنوان تابع فاصله علامت مجدداً مقداردهی میشود. در این بخش فرمولبندی تنظیم سطح آورده میشود که دارای یک مکانیسم ذاتی برای حفظ این مشخصه مطلوب LSF میباشد.
