بخشی از مقاله
چکیده
امروزه سرطان سینه یکی از عوامل شایع مرگ میر زنان میباشد. ازاینرو همواره یکی از بحثهای چالشبرانگیز، کشف زودهنگام این نوع سرطان و ارائه راهحلی مناسب جهت جلوگیری از پیشرفت آن است. در میان انواع روشهای مرسوم، تجزیهوتحلیل تصاویر ماموگرام با کمک رایانه بیشتر از همه نمود پیداکرده است. در این مقاله روشی جدید بر اساس ترکیب فازی و الگوریتم جستجوی گرانشی برای قطعهبندی تصاویر ماموگرام و تشخیص بافتهای سرطانی ارائهشده است.
برای جدا کردن بافت سرطانی در ابتدا از طریق تکنیکهای thresholding، بافت pectoral جداشده و سپس الگوریتم پیشنهادی بر روی تصاویر ماموگرام اعمال میشود تا بافتهای سرطانی تشخیص داده شود. سرانجام دقت الگوریتم پیشنهادی در مقایسه با الگوریتم ترکیبی fuzzy-PSO و الگوریتم fuzzy c-means نشان دادهشده است.
-1 مقدمه
سرطان به دلیل رشد غیرطبیعی سلولهای جهشیافته در بافتهای طبیعی ایجاد میشود. به دلیل رشد سلولهای غیرطبیعی در سراسر بدن اعضای حیاتی بدن نابودشده و یا کارکرد آنها مختل میگردد. در میان انواع مختلف سرطان، سرطان سینه2 یکی از سرطانهای رایج است که در میان انسانها و پستانداران بسیار مشاهدهشده است. بر اساس گزارشهای Guo و همکارانش این نوع سرطان فقط در 8 درصد زنان اتفاق میافتد .[6]
اما گزارشها حاکی از آن است تعداد کمی نیز در میان مردان به این نوع سرطان مبتلا میشوند .[15] بر اساس گزارشهای Geetha و [4] Thanushkodi سرطان سینه به دودسته اصلی تقسیم میشود: دسته اول سرطانهای carcinoma ductal هستند این دسته از سرطانهای سینه در کانالهایی که شیر را به نوک سینه میرسانند اتفاق میافتند. دومین دسته سرطانهای lobular carcinoma هستند که در غدههای مخفی شیری بافت ایجاد میشوند.
75 درصد از موارد گزارششده از دسته اول، 20 درصد از دسته دوم و 5 درصد باقیمانده در بافتهای چربی و پوست و بافتهای متصل و غیره رخ میدهند .[4] با در نظر گرفتن نرخ مرگومیر سرطان سینه، کماکان با تشخیص زودهنگام آن میتوان نرخ زنده ماندن را تا 98 درصد بالا برد هرچند که کشف دیرهنگام آن و گسترش سرطان به بافتهای دور نرخ زنده ماندن را تا 28 درصد کاهش می-دهد .[16]
بنابراین عکسبرداری سینه بهصورت مرتب در فواصل زمانی مشخص بسیار سفارش میشود. ازاینرو امروزه عکسهای ماموگرام توجه محققهای بسیاری را برای تشخیص تومورهای سرطانی به خود جلب نموده است. با این امکان میتوان تومورهای کوچک بهاندازه .5 سانتیمتر در عمق بافت را پیدا نمود .[2] اما ازآنجاییکه احتمال تشخیص غلط بافت سرطانی بین 10 تا 30 درصد است رویکردهای پیشرفته CAD3 به مفهوم تشخیص با کمک کامپیوتر برای فرایند تصمیمگیری پیشنهاد میشوند .[15]
برای تجزیهوتحلیل بافتهای پیچیده بدن، قطعهبندی تصاویر پزشکی یک کار حیاتی و موردعلاقه محققان است. قطعهبندی4 فرایند جدا کردن قسمتهای مختلف تصویر به نواحی غیر همپوشان میباشد. بر این اساس قطعهبندی و یا جدا کردن نواحی مشکوک به سرطان مسئله بسیار مهمی است. به دلیل پیچیدگی بافتهای بدن برای تفکیک بافتهای سرطانی سینه، الگوریتمهای معروف بسیاری از قبیل [14] Thresholding، [7] Region Growing و [11] Template Matching و همچنین تکنیکهای خوشهبندی بسیار قوی مانند [17] Graph-Cut و Activ [13] Contours را میتوان استفاده نمود. [9] fuzzy c-means نیز بهعنوان یک تکنیک خوشهبندی، افق جدیدی در این زمینه باز کرده و تلاشهای زیادی را به خود معطوف نموده است.
در سالهای اخیر توجه بیشتری به الگوریتمهای مکاشفهای شده است. ایده ابتدایی این الگوریتمها از پدیدههای که در طبیعت اتفاق میافتند الهام گرفتهشده است. الگوریتمهای مکاشفهای کارایی خود را در مواجهشدن با مسائل سخت از خود نشان دادهاند. ازجمله الگوریتمهای مکاشفهای که برای قطعهبندی تصاویر استفاده گردیدهاند میتوان به [1] Genetic Algorithm، [12] Ant colony optimization و Particle swarm [10] optimization اشاره نمود.
یکی از الگوریتمهای مکاشفهای جدید که از مفهوم نیروی گرانشی بین ذرات و قانون نیوتن الهام گرفتهشده الگوریتم جستجوی گرانشی یا GSA5 است. این الگوریتم توسط راشدی و همکارانش [3] برای پیدا نمودن بهینه ارائه گردیده است. با ترکیب الگوریتمهای جستجوی گرانشی و fuzzy c-means سعی در پیشنهاد الگوریتمی مناسب برای تشخیص سرطان با استفاده از تصاویر ماموگرام نمودهایم. جهت بررسی کارایی الگوریتم پیشنهادی، آن را با fuzzy c-means و [5] fuzzy-PSO در بخش نتایج آزمایشگاهی و بخش نتیجه و جمعبندی مقایسه مینماییم. در شکل - 1 - فرآیند کلی کار نشان دادهشده است.
-2 تئوری پایه
-1-2 الگوریتم Fuzzy C-Means
ایده کلیدی fuzzy c-means در ابتدا توسط Bezdek برای خوشهبندی دادهها به کار رفت fuzzy c-means .[9] بهصورت گسترده در بسیاری از مسائل مربوط به بینایی ماشین[8] 6، پردازش تصویر7 و یادگیری ماشین8 بهکاررفته است.
-2-2 الگوریتم جستجوی گرانشی
الگوریتم جستجوی گرانشی توسط راشدی و همکارانش ارائه گردید. در این الگوریتم عاملها بهعنوان اشیایی در نظر گرفته میشوند که کارایی آنها بهوسیله جرم آنها اندازهگیری میشود. ازآنجاییکه این اشیا با همدیگر با استفاده از نیروی گرانشی به سمت هدف خاصی حرکت میکنند معمولاً حرکت به سمت شیای هست که جرم بیشتری دارد چراکه نیروی کششی بیشتری وارد میکند. البته در این الگوریتم برآیند نیروها در نظر گرفته میشود.
