بخشی از مقاله
چکیده
سرطان سینه بهعنوان دومین علل مرگومیر زنان بعد از سرطان ریه شناخته میشود. تشخیص زودهنگام سرطان سینه، گزینههای درمانبیشتری را برای بیمار فراهم می آورد؛ بنابراین ایجاد دستگاهی که قادر به تشخیص تومورهای موجود در سینه باشد از اهمیت بسزایی برخوردار است. در این پژوهش، روشی بهمنظور تشخیص تومور در تصاویر ماموگرافی حاوی ناحیه مشکوک پیشنهاد میشود.
مراحل مورداستفاده شامل پیشپردازش، قطعهبندی اولیه، استخراج ویژگی، قطعهبندی ثانویه است. در مرحله پیشپردازش بعد از برش تصاویر، حواشی مازاد تصویر را حذف می کند . این الگوریتم با استفاده از خوشهبندی فازی، قطعهبندی اولیه را انجام میدهدمتعاقباً. ویژگیهای ضریب سختی و طول محور اصلی و میانگین میزان روشنایی استخراج میشوند.قطعه بندی ثانویه توسط مجموعه سطح انجام می شود. پارامترهای کنترل و مرز اولیه مجموعه سطح از نتایج خوشه بندی فازی تخمین زده میشود و درنهایت از الگوریتم مجموعه سطح جهت بهبود دقت تشخیص تومور سینه استفاده میشود.
مقدمه:
قطعه بندی تصویر یک روش پخش تصاویر دیجیتالی به یک یا چند منطقه موردنظر است. در این مقاله قطعه بندی برحسب تصاویر پزشکی در نظر گرفته شده است بخش بندی تصاویر در زمینه تصاویر پزشکی در بررسی ساختار آناتومیکی و همچنین در تشخیص و کمک به برنامه های حراجی استفاده میشود .[ 1] در مرجع [2]بر این باورند که اگر تعداد خوشهها به روش دقیق برآورد شود، قطعه بندی k-means نتایج بهتری را ارائه میکند. آن ها یک روش جدید بر اساس تشخیص لبه پیشنهاد کردند تا تعداد خوشه را تخمین بزند.
فاز تناسب برای تشخیص لبه استفاده میشود. از این لبه ها برای پیدا کردن خوشه ها و از آستانه و فاصله اقلیدسی به منظور ایجاد خوشه استفاده میشود. K-means برای پیدا کردن قطعه بندی نهایی در تصویر استفاده می شود. در مرجع [3]یک روش انتخاب آستانه خودکار برمبنا ی لبه پیشنهاد کردند تا قطعهبندی تصاویر چند مقیاسی را تولید کند. در مرجع [4]یک روش جدید با استفاده از فیلتر واریانس برای تشخیص لبه در فرایند قطعه بندی بکار گرفته شده است.
در مرجع شماره [5] دو الگوریتم قطعه بندی ترکیبی، خوشه بندی بر اساس مرزها و مناطق برای شناسایی تومورهای سینه خوش خیم و بدخیم ارائه شده است. در مرجع[6] یک الگوریتم آب پخشان با نشانگر کنترل شده برای تعیین توده سینه پیشنهاد کردند . در مرجع[7]، بهبود هیستوگرام[8] ، تصویر بلور شده و مرجع[9] از ساختار منحنیهای داخلی - رنگهای خونی، مجراهای شیری، بافت های سوزنی - قبل از انجام قطعه بندی توسط روش آبپخشان استفاده کردند.
در مرجع [10] یک قطعه بندی جدید تصویر بر مبنای روش رشد ناحیه پیشنهاد کرد. خوشه بندی فازی در مرجع [ 11] برای گروه بندی پیکسل ها با شدت مشابه در تصاویر اصلی استفاده شده، درحالیکه در مرجع [12] روی مجموعه ای از ویژگیهای محلی استخراج شده، توسط تبدیل موجک و تحلیل میدان مارکوف به کار گرفته شده است. در این الگوریتم تعداد خوشه ها از قبل مشخص شده است.
در مرجع شماره[ 13] از روش خوشهبندی 1 FCM برای جدا کردن مناطق تومور از تصویر ورودی استفاده شده است. روش مجموعه سطح یک رویکرد افزایش منطقه میباشد که ناحیه اولیه با توجه به یک میدان انرژی تکامل می یابد. در مرجع[14]یک الگوریتم قطعهبندی مجموعه سطح با میدان انرژی chan-vase پیشنهادشده است که از روش بهبود کنتراست تصویر استفاده میکند و فیلتر میانه اعمال میشود.[17] [16] [15]
-2روش :
در این مقاله دو الگوریتم برای قطعه بندی تصاویر ماموگرافی پیشنهاد میشود. مراحل پیاده سازی در روش پیشنهادی شامل انتخاب تصاویر ماموگرافی، پیش پردازش، قطعه بندی و استخراج ویژگی است. در گام اول تعدادی تصویر از پایگاه داده خوانده میشود. روش های کامپیوتری قطعه بندی تصاویر، همواره با چالش هایی مانند رزولوشن پایین و کنتراست ضعیف روبه رو هستند.
وجود فضاهای اضافی در اطراف تصویر این مشکل را تشدید میکند. در مرحله پیش پردازش از روش ماسک و برش تصویر برای حذف حواشی مازاد تصویر استفادهشده است. هدف از پیش پردازش به دست آوردن تصویر، تبدیل آن به مختصات حقیقی دقیقی است که از تابش اشعه به گیرنده ها ایجاد میشود. درواقع با تکنیک های افزایش کیفیت تصویصرفاً به بهبود و افزایش وضوح تصویر پرداخته میشود تا بتوان تفسیر بهتری را از تصاویر به دست آورد. در میان الگوریتمها ی فازی، الگوریتم FCM یکی از رایجترین الگوریتمها هست.
FCM یک روش دسته بندی است که برای گستره وسیعی از مسائلی که با آنالیز سروکار دارند به کار گرفته میشود. FCM کاربردهای وسیعی ازجمله مهندسی کشاورزی، هوا و فضا، شیمی، زمین شناسی، تحلیل تصویر، تشخیص های پزشکی، تجزیه وتحلیل شکل و تشخیص هدف دارد. در مرحله قطعهبندی اولیه به کمک الگوریتم FCM، سه بار تصویر موردنظر را به قطعات کوچک، متوسط، بزرگ تقسیم میکنیم.
پارامترهای اولیه از جمله تعداد خوشه ها و تعداد تکرارها در الگوریتم FCM تعیین می کنیم. بعد از انجام قطعه بندی، نوبت به استخراج ویژگی از تصاویر حاوی تومور است. شکل - 1 - یک نمودار شماتیک از این روش را نشان می دهد. در این مرحله در حقیقت با ترکیب مقادیر ویژگیهای موجود، تعداد کمتری ویژگی به وجود می آورند در مرحله استخراج ویژگی چهار ویژگی ضریب سختی2، میانگین روشنایی نقاط، طول محور اصلی3 و طول محور فرعی4 را استخراج میکنیم.
بر اساس مرتب سازی ویژگیهای به دست آمده، مناسب ترین قطعه در نظر گرفته میشود. در مرحله آخر بر اساس مرزهای اولیه ای که FCM تولید کرده است، الگوریتم مجموعه سطح بر روی مرزهای بدست آمده اعمال می شود. در حقیقت هم برای قطعه بندی اولیه و هم هنگام ارزیابی دوره های اجرای مجموعه سطح از خوشهبندی FCM استفاده میکنیم. هنگامی که مجموعه سطح به مرزهای حقیقی تصویر خود برسد به چرخه کار خود پایان می دهد و به پایداری می رسد. درنهایت آنچه از الگوریتم قطعه بندی مجموع سطح حاصل میشود، تصویر قطعهبندی شده نهایی است.
-1-2تهیه تصویر:
ماموگرافی مورد استفاده در ای ن مقاله اغلب از پایگاه استفاده شده به نام ماموگرافی جامعه تجزیه و تحلیل تصویر برداری - MIAS - گرفته شده است. پایگاه داده MIAS پایگاه داده انجمن تجزیه وتحلیل تصاویر تصویربرداری ماموگرافی است و در آرشیو پردازش تصویر آزمایشی اروپا در دانشگاه Essex، به منظور اهداف علمی و دانشگاهی قرار گرفته است.
جامعه تجزیه و تحلیل تصویر ماموگرافی - MIAS - سازمان گروه های تحقیقاتی انگلستان است که علاقه مند به درک ماموگرام ها میباشند و پایگاه داده بسیار بزرگی از ماموگرام های دیجیتال ایجاد کرده اند. پایگاه داده حاوی تصاویر سینه چپ و راست 161 بیمار میباشد که به سه نوع نرمال، خوش خیم و بدخیم تعلق دارند. 208 تصویر نرمال، 63 تصویر خوش خیم و 51 تصویر بدخیم - نامعمول - هستند.
-2-2پیش پردازش:
برای قطعه بندی تصاویر ماموگرافی سینه به علت پارامترهای متفاوت تصویربرداری ازجمله حواشی مازاد و فضاهای اضافه تصویر، نویز، حرکت بیمار، اثرات مصنوعی دستگاه ها و... باید قبل از اعمال هر شیوه قطعه بندی یک مرحله پیش پردازش بر روی تصاویر ماموگرافی جهت بهبود طبقه بندی بافت و دقت بهتر طبقه بندی پیش پردازش انجام شود. با توجه به اینکه بافت سینه در نواحی ثابتی از تصویر قرار دارد، ابتدا تصویر سینه در مرحله پیش پردازش برش داده میشود. بعد از برش تصویر، تصویر حاصل را در یک ماسک تصویر ضرب میکنیم تا حواشی و فضاهای مازاد تصویر را از بین ببریم.
-3-2 قطعهبندی با FCM
قطعه بندی به این معناست که تصویر را به عناصر و یا نواحی سازندهی آن تقسیم کنیم. خوشه بندی FCM یک تکنیک برای دستهبندی داده است که در آنیک مجموعه داده به n دسته که در آن هر نقطه داده در مجموعه داده به هر دسته، از درجه مشخص تقسیم میشوند. یک نقطه دادهی مشخص که در نزدیکی مرکز دسته قرار میگیرد از درجهی عضویت بالایی نسبت به آن دسته برخوردار است و یک نقطه داده دیگر که دور از مرکز دسته قرار دارد از درجه عضویت پایینی به دسته برخوردار است .
-4-2استخراج ویژگی:
بعد از انجام عمل قطعه بندی، نوبت به استخراج ویژگی از تصاویر حاوی تومور می رسد . اساس و پایه استخراج ویژگی در شناسایی الگو، پیدا کردن روش های ریاضی، برای کاهش ابعاد الگوهای ارائه شده است. در مرحله استخراج ویژگی ما با استفاده از تابع regionprops، چهار ویژگی بهعنوان ضریب سختی، طول محور اصلی، طول محور فرعی و میزان روشنایی نقاط را استخراج می کنیم. در ادامه به شرح چهار ویژگی یاد شده می پردازیم :
-1-4-2ضریب سختی:
ضریب سختی در حقیقت میزان پر بودن شیء یا محدب بودن تصویر را نشان میدهد. با این تکنیک، ویژگی های خاص ناحیه ها محاسبه می شود. این ضریب بیانگر چگالی یا تراکم تصویر میباشد و به صورت نسبت مساحت شکل به مساحت محدب آن طبق رابطه - 5 - تعریف میشود: مقدار بیشینه ضریب سختی عدد یک و متعلق به شیء با بیشترین چگالی تصویر میباشد و با بالا رفتن بینظمی و آشفتگی مرز تصویر از مقدار این ضریب کاسته میشود.
-3-4-2میزان روشنایی نقاط:
تراکم بالای روشنایی تصویر می تواند یک معیار اساسی برای استخراج ویژگی حساب شود.
-5-2مرتبسازی براساس ویژگیها و انتخاب مناسبترین
از Fuzzy C-Means بهعنوان قطعهبندی اولیه در این پژوهش استفادهشده است. الگوریتم FCM سه بار بکار گرفته شده که حاصل آن سه نوع تقسیم بندی تصاویر بوده است. تصاویر را به قطعات 5 و10 و15تایی تقسیم بندی می شوند.
قطعه:
بعد از مرحله استخراج ویژگیها که باید یک سری مشخصات عام و یا خاص از تصویر بیرون کشیده شود، ویژگی های بهدستآمده را بر اساس رابطه - 6 - ترکیب میکنیم.
