بخشی از مقاله
چکیده
معمولا درهمه سیستمهای کمک تشخیص کامپوتری که بر روی تصاویر ریه کارمیکنند، قطعه بندی ریه انجام میشود. نوعا قسمت اصلی ریه حدود %25 از کل تصویر سیتی اسکن ریه را شامل میشود .[1] در قطعه بندی ریه، بافت ریه مشخص شده و بقیه تصویر حذف می-شود. این کار تاثیر زیادی بر روی کاهش هزینه محاسبات ، قابلیت اطمینان و دقت سیستم تشخیص کامپیوتری میگذارد. هدف از این مقاله ارایه یک روش جدید، سریع، ساده و دقیق جهت قطعه بندی تصاویر سیتی اسکن ریه است. این روش بر اساس الگوریتم راهپیمای تصادفی است که آن را به صورت وفقی برای قطعهبندی خودکار ریه توسعه دادهایم.
1. مقدمه
بیماریهای ریه یکی ازمهمترین عوامل مرگ و میر در جهان است. تشخیص زودهنگام این بیماریها میتواند منجربه شروع به موقع درمان و افزایش شانس زنده ماندن بیماران شود. امروزه با توجه به حجم زیاد دادههای فراهم شده توسط دستگاههای تصویر برداری سیتی اسکن، تشخیص توسط پزشک کار سخت و وقت گیری است. به همین دلیل استفاده از سیستمهای کمک تشخیص کامپیوتری برای تشخیص بیماریهای سرطان ریه، انسداد ریه و بیماریهای بافت بینابینی و درون شبکهای ریه همواره مورد توجه بوده است. مرحله مهم و ابتدایی در اکثر این سیستمها، قطعه بندی ریه است.
این مرحله یک پیش نیاز برای انجام عملیات تحلیل محتوای تصویر وتشخیص الگوهای مورد جستجو در تصاویر است. نتیجه عمل قطعهبندی میتواند متضمن شکست یا موفقیت نهایی فرایند تحلیل باشد. به همین دلیل، بایستی ملاحظات لازم جهت اجرای قطعهبندی با صحت و دقت کافی منظور گردد. ازآنجایی که موقع تصویر برداری سیتی اسکن ریهها پراز هوا هستند، به صورت نواحی تاریک در تصویر سیتی مشخص میشوند. تباین بین ریه و بافت اطراف آن اساس بسیاری از روش های قطعه بندی ریه است. به همین دلیل، در بسیاری از روشهای قطعه بندی ازآستانهگذاری استفاده میشود
روشهای مبتنی بر آستانه گذاری زمانی که تصویر دارای نویز و ناهنجاری های ریه نباشد، به خوبی عمل میکنند. در غیر اینصورت میتوان این روش را با روشهای دیگر ترکیب نموده یا از روشهای دیگر برای غلبه بر این مشکل استفاده نمود. در این تحقیق، به دلیل مزایای زیادی - سرعت بالا، قوی بودن در مقابل نویز و مرزهای ضعیف، امکان موازی سازی، قابلیت پیادهسازی سخت افزاری، امکان استفاده در سه بعد و بالاتر، قابلیت مشخص کردن همزمان چند شی وپردازش چند دقتی - که روش راهپیمای تصادفی نسبت به سایر روشهای قطعهبندی تصاویر پزشکی دارد، از آن برای قطعهبندی ریه استفاده کردهایم . اما با توجه به تعاملی بودن روش مزایای قطعه بندی کاملا خودکار را ندارد و برای زمانی که تعداد تصاویر خیلی زیاد باشد قابل استفاده نیست. ما این روش را به صورت وفقی برای قطعه-بندی خودکار ریه توسعه میدهیم . برای این کار باید نقاط دانه پیش زمینه و پس زمینه به صورت خودکار مشخص شود.
.2 الگوریتم راهپیمای تصادفی
این روش یک روش قطعهبندی عمومی است و یک روش تعاملی و چند برچسبی محسوب میشود. ابتدا نقاط دانه توسط کاربر مشخص میشود و سپس الگوریتم پیکسلهای دیگر را مشخص میکند. به این صورت که، یک راهپیمای تصادفی از نقطه غیر دانه شروع میکند و احتمال این که ابتدا به یک نقطه دانه برسد را محاسبه می کند. در این محاسبه نیازی به شبیه سازی نیست . اگر k نقطه دانه را در نظر بگیریم، به هر پیکسل یک بردار k تایی نسبت میدهیم .این بردار احتمالی را مشخص میکند که راه پیمای تصادفی با شروع از یک پیکسل به هر یک از k نقطه دانه می رسد وسپس مقصد با احتمال بالاتر انتخاب می شود.
در این روش تصویر به صورت یک گراف در نظر گرفته میشود و به هر لبه وزنی متناسب با احتمال اینکه پیاده روی تصادفی از آن عبور کند، نسبت داده میشود. مثلا وزن صفر یعنی از این لبه عبور نمیکند. احتمال این که یک راهپیمای تصادفی ابتدا به یک نقطه دانه برسد، معادل حل مساله دریکله - Dirichlet - است . حل این مساله دقیقا مانند توزیع پتانسیلهای الکترونیکی روی گرههای یک مدار است که مقاومتها نشاندهنده معکوس وزنهای گراف هستند. پتانسیلهای الکتریکی در گره غیر دانه، احتمالی را که راهپیما با شروع از این گره ابتدا به دانه s برسد را ایجاد میکنند. این پتانسیلها با حل سیستم معادلات خطی بدست میآید.
برای یافتن بردارk تایی ، هر بار گرههای برچسب خورده را به ولتاژ یک وصل کرده و سایرگرهها را زمین میکنیم. با این روش نیاز به حل k-1 معادله خطی داریم .
این روش مزایای زیادی نسبت به سایر روشهای قطعه بندی تصاویر پزشکی دارد، که عبارتند از: سرعت بالا،قوی بودن در مقابل نویز و مرزهای ضعیف،امکان موازی سازی، قابلیت پیاده-سازی سخت افزاری، امکان استفاده در سه بعد و بالاتر، قابلیت مشخص کردن همزمان چند شی وپردازش چند دقتی .
به همین دلیل، از آن برای قطعهبندی ریه استفاده کردهایم . امابا توجه به تعاملی بودن روش مزایای قطعه بندی کاملا خودکار راندارد و برای زمانی که تعداد تصاویر خیلی زیاد باشد قابل استفاده نیست. ما این روش را به صورت وفقی برای قطعهبندی خودکار ریه توسعه میدهیم . برای این کار باید نقاط دانه پیش زمینه و پس زمینه به صورت خودکار مشخص شود.
شکل :1نمایش روش قطعه بندی و انطباق آن با تئوری مدارات الکترونیکی
.3 الگوریتم قطعهبندی تصویر سیتی اسکن ریه
مراحل الگوریتم قطعهبندی اریه شده درنمودار زیر نشان داده شده است.
شکل :2نمودار مراحل الگوریتم قطعه بندی ریه
1-3 بهبود کیفیت وتباین تصویر
در اکثر سیستمهای تشخیص کامپیوتری در مرحله دریافت تصویر ابتدا سعی میشود که کیفیت تصویر بهبود یابد تا امکان خطا در مراحل بعدی کاهش یابد .برای بهبود کیفیت تصاویر روشهای تبدیل فوریه، ویولت - استفاده از تجزیه ویولت و حذف فرکانسهای نویز - ، فیلتر گابور و روش میانگین گیری به صورت جداگانه بر روی تصاویر سیتی اسکن ریه اعمال شد. با ترکیب روش فیلتر گابور و روش میانگینگیری بهبود قابل ملاحظه ای در کیفیت تصویر سی تی اسکن ریه بدست آمد.
