بخشی از مقاله
چکیده: قطعه بندی بافت های اندام آسیب دیده اولین بخش در تشخیص غدد سرطانی به صورت نرم افزاری می باشد که از آن به عنوان فاز پیش پردازشی یاد می شود. تداخل بافت های مجاور در یک اندام می تواند روند تشخیص را با مشکلات جدی مواجه نماید چرا که تولید بردار ویژگی ها از هر عضو نیازمند جداسازی دقیق همان قسمت می باشد. به همین منظور استفاده از الگوریتمی که بتواند بافت های تصویر ورودی را به صورت کامل جداسازی نموده و تداخل در پیکسل های همسایه را به کمترین میزان خود برساند یک ضرورت به حساب آمده و در نهایت افزایش کارایی مدل تشخیص یکی از مهمترین نتایج چنین الگوریتمی خواهد بود.
در این مقاله با استفاده از الگوریتم فرا ابتکاری ژنتیک، تصاویر پزشکی را دسته بندی نموده و در قدم بعد نسبت به تشخیص بافت های سالم موجود اقدام می شود. تولید بردار ویژگی ها توسط این روش می تواند درصد تشخیص و کارایی را به طور محسوسی افزایش دهد. لذا استفاده از سیستم های کنترلگر فازی ، موجب افزایش دقت در تشخیص الگوهای پزشکی و غدد سرطانی شده است . تمرکز در روش پیشنهادی بر افزایش درصد تشخیص می باشد.
-1 مقدمه
تشخیص صحیح بیماری های مضمن همواره از مهمترین دغدغه های جامعه پزشکی در سرتاسر دنیا به حساب می آید. استفاده از دستگاه های الکترونیکی در این حوزه - همانند دستگاه های - X-Ray تصویر برداری از نواحی حساس و مشکوک را ممکن می سازد اما همچنان تشخیص بافت های سالم و آسیب دیده از یکدیگر به راحتی برای پزشکان میسر نمی باشد.
اشتباهات انسانی از یک سو و اهمیت تشخیص درست و قابل اطمینان از سویی دیگر علم پزشکی را به هوش مصنوعی پیونده زده است. یکی از شاخه های هوش مصنوعی، داده کاوی تصاویر پزشکی به جهت شناسایی تغییر در رفتارهای سلولی،انحرافات بافت ها، غدد سرطانی و ... می باشد. بالطبع استفاده از نرم افزارهایی که بر اصل آموزش و آزمایش در زمان طراحی بنا شده باشند، می تواند خروجی ها با درصد تشخیص بالایی را ارائه نماید ، با این وجود بازهم شرایطی رخ خواهد داد که می تواند تصمیم گیری را کمی دچار سردرگمی و دردسر نماید.
مشکلات تصویر برداری های X-Ray همانند عدم شفافیت تصاویر پزشکی، وجود نویزهای ناخواسته و... می تواند نتایجی خارج از آنچه تصور می شود را تولید نماید که ادامه این روند منجر به حذف مزیت های داده کاوی خواهد شد. تا کنون روش های متفاوتی جهت تشخیص بافت های آسیب دیده از بافت های سالم ارائه شده اند که هرکدام دارای معایب و ویژگی های منحصر به فردی می باشند.
در واقع تعیین شدت رنگ بخش هایی از اعضاء بدن که دچار لختگی و یا ضربه شده اند یکی از مهمترین اهداف قطعه بندی تصاویر است. در قطعه بندی، بافت های حاضر از لحاظ شدت رنگ و گستردگی پیکسل ها به چندین دسته تقسیم بندی می شوند که جداسازی صحیح بافت های آسیب دیده با درصد دقت بالا می تواند روند تشخیص را تا حدزیادی بهبود بخشد . بدیهی است استخراج بردار ویژگی هایی که تشکیل دهنده بافت های تصویر می باشند به عنوان ورودی های یک کلاسه بند، کمک شایانی را به تشخیص و دسته بندی اعضاء خواهد نمود .
-2 الگوریتم قطعه بندی تصاویر پزشکی
- 1-2 مرور کارهای پیشین
محققین طی مطالعاتی روشی را جهت تشخیص غدد سرطانی مبتنی بر تصاویر ماموگرافی ارائه نمودند. مطابق با تحقیق ایشان، در ابتدا تصاویر پزشکی پس از تبدیل به تصاویر دودویی، توسط روشی به نام تبدیل موجک های گسسته که ازسری فوریه جهت ایجاد بردار ویژگی ها استفاده می کند، بررسی گردیده و در ادامه توسط ماشین بردار پشتیبان، داده های تولید شده به صورت خطی جداسازی می شوند. از آنجائیکه هدف ماشین های بردار پشتیبان، ایجاد ابر صفحه هایی با حداکثر فاصله میان اعضای داده های دو کلاسی به صورت خطی می باشد، در این روش سعی شده است با بهره گیری از تابع کرنل گواسینی، این فاصله یا حاشیه به حداکثر میزان خود برسد.
در این تحقیق، داده هایی که به صورت آموزشی در اختیار مدل قرار می گیرند، توسط روش K-Fold و تقسیم بندی عرضی به صورت دوره ای آموزش می بینند که این به دلیل تعداد پایین داده های - نمونه های - موجود در دیتاست می باشد. در فاز آزمایش نیز میزان خطا - انحراف معیار - تولید شده توسط مدل بررسی و محاسبه می گردد. در صورتیکه این میزان از انحراف معیار، از یک مقدار حد آستانه بیشتر باشد آنگاه عملیات تقسیم بندی عرضی مجددا بر روی داده های آموزشی انجام می شود چرا که ماشین بردار پشتیبان موجود در تعیین مکان درست ابرصفحه ها به خوبی عمل نکرده و لازم است تا با داده های جدید، این کار مجددا صورت پذیرد. - - 1
محققین در مقاله ای به بررسی استخراج بردار ویژگی ها توسط توابع انتقال پیوسته پرداختند. مطابق روش ایشان تصویر ورودی به چندین قسمت تقسیم بندی شده و سپس هر بخش به صورت خودفراخوان بررسی می گردد. پس از ارائه ویژگی های موجود در بافت های آسیب دیده - توسط سری فوریه - ، از یک شبکه عصبی مصنوعی با توابع پایه شعاعی جهت دسته بندی داده ها استفاده شده است.
در این شبکه ها که هدف اصلی آن کاهش میزان ریسک میباشد، تعداد نرون های درگیر محاسبه گردیده و به صورت دقیق هدف بر آن خواهد بود تا میزان خطای - فاصله - میان داده های هدف و ورودی به حداقل میزان خود برسد. برای تعیین میزان کارایی مدل پیشنهادی، یک مقدار حد آستانه در نظر گرفته شده است که تعداد تکرارها و ترکیب نرون های شبکه عصبی به آن بستگی خواهد داشت - تا زمانی الگوریتم ادامه می یابد که میزان خطا به حد آستانه خود برسد - . . - 2 -
محققین در سال های بعد روشی را برپایه نایو بیزین در تشخیص ارائه دادند. مطابق مدل پیشنهادی ایشان تمامی ویژگی هایی که پیش تر توسط روش های استخراج به دست آمده اند، به صورت نمونه هایی در یک دیتاست عددی ذخیره سازی گردیده و در فاز آموزشی، احتمالات پیشین در رخداد بافت های سالم و آسیب دیده بر اساس هر ویژگی به صورت مستقل محاسبه می گردد.
محاسبه احتمالات پیشین این مزیت را خواهد داشت که هنگام ورود ویژگی های مستقل با کمترین میزان انحراف معیار، احتمال وقوع همان ویژگی ها در آینده نیز محاسبه خواهد گردید. استفاده این مدل از منطقِ تکرار در آینده، می تواند تشخیص دقیق تری را در بر داشته باشد. یکی از مشکلات پیش روی این مدل مقادیر ویژگی هایی است که به ندرت در دیتاست تکرار می شوند لذا در این صورت امکان محاسبه احتمالات پیشین وجود نخواهد داشت. . - 3 -
استفاده از منطق فازی یکی دیگر از روش های قطعه بندی تصاویر می باشد. محققین با استفاده از روش های خوشه بندی سلسله مراتبی و ترکیب آن با منطق فازی موفق به بخش بندی تصاویر بر اساس مرز بین طیف های رنگی متفاوت شدند. بر اساس روش ارائه شده، در ابتدا تمامی پیکسل هایی که شدت رنگ یکسانی دارند توسط روش های خوشه بندی مشخص گردیده و مقدار کمینه فاصله درون خوشه ای در آن ها مشخص می شود. در ادامه توسط سیستم کنترلگر فازی این مرزبندی ها دسته بندی شده و تمامی مرزهایی که می توانند با یکدیگر تلفیق شوند به روش میانگین گیری ترکیب شده و به این ترتیب مفهومی به نام تقسیم بندی فازی مبتنی بر مرزهای تصویر را ارائه می دهند. - . - 4
با موفقیت آمیز بودن استفاده از تکنیک های خوشه بندی در قطعه بندی تصاویر، استفاده از روش های مختلف در این حوزه بیشتر مورد استفاده محققین قرار گرفت تا جائیکه الگوریتم های مبتنی بر ترکیب خوشه بندی با منطق فازی برای این کار ارائه گردید. با توجه به مشکلاتی نظیر افزایش بازه خوشه ها و
همچنین عدم حساسیت به داده های پَرت و اینکه در همسایگی بافت های یک تصویر، پیکسل هایی که در مرز قرار می گیرند به کدام قطعه تعلق خواهند داشت، از منطق فازی برای تعیین مرزهای خاکستری استفاده شد.
از آنجائیکه در تعیین دسته پیکسل ها، هر عضو تنها می تواند به یک خوشه نسبت داده شود، استفاده از منطق فازی تعیین کننده مقدار عضویت یک پیکسل به چندین خوشه می باشد که تعیین مرز بین بافت های سالم و آسیب دیده را بادقت بیشتری مشخص می نماید چرا که این نواحی مرزی می توانند یک شریان حیاتی همانند یک رگ و یا لخته های خونی در اندام تصویر برداری شده باشند. - . - 5
در این مقاله و روش پیشنهادی از ترکیب الگوریتم ژنتیک و سیستم کنترلگر فازی برای قطعه بندی تصاویر پزشکی استفاده شده است. در روش پیشنهادی سعی کرده ایم با استفاده از سیستم کنترلگر فازی و قدرت آن در تبدیل مقادیر نسبی به قطعیت، عمل قطعه بندی اولیه را انجام دهیم. در این فاز متغیرهای ورودی واریانس و تراکم رنگی می باشند که پراکنش شدت های رنگی متفاوت، در بازه های شانزده گانه محاسبه خواهد شد.
این کار کمک می کند تا بتوانیم یک مقدار حد آستانه پویا با توجه به شرایط هر تصویر را به دست آورده و در ادامه با در نظر داشتن تصویر ورودی در بازه صفر و یک - بدون تبدیل تصویر و تاثیرگذاری بر روی آن - و همچنین استفاده از الگوریتم ژنتیک، بهترین مقادیر حد آستانه را با توجه به تعداد سطوح قطعه بندی - تعداد اشیاء موجود در تصویر - به دست آوریم. در اصل ژن های هر کروموزوم از الگوریتم ژنتیک به عنوان مقادیر حد آستانه در نظر گرفته شده اند که حد نهایی آن پیش تر توسط سیستم کنترلگر فازی مشخص شده است.
با این کار هم توانستیم یک هرس از مقادیر بیهوده داشته باشیم - یکی از مشکلات الگوریتم ژنتیک زمان بالای اجرا و همچنین حافظه مصرفی زیاد به واسطه تعداد کروموزوم های فعال در هر نسل می باشد که با این کار می توان عملکرد تصادفی این الگوریتم در نسل های اولیه را بهبود بخشیده و بر مشکلات عنوان شده تا حدودی غلبه کرد - و هم اینکه از قطعیت مقادیر حد آستانه اطمینان حاصل نماییم - بررسی مقادیر حد آستانه بر روی ماتریسی از مقادیر در بازه صفر و یک منجر به افزایش دقت گردید - . بردار ویژگی های حاصل از این مدل توانست بافت های آسیب دیده و غدد سرطانی را به خوبی واکشی نموده و به عنوان ورودی در اختیار یک کلاسه بند دودویی قرار دهد.
-2-2روش الگوریتم پیشنهادی
در این مقاله از منطق فازی در کنار الگوریتم ژنتیک بهره برده شده است که می تواند به صورت پویا والبته هرس مقادیری که تاثیری در تعیین مقدار حد آستانه ندارند، عمل جداسازی را انجام دهد. در مدل پیشنهادی ابتدا از منطق فازی برای تعیین مقدار حد آستانه پویا استفاده شده است. روال کار بدین صورت است که با توجه به پراکندگی پیکسل ها در نمودار هسیتوگرام تصویر ورودی، شدت های رنگ حاضر به 16 قسمت تقسیم بندی شده و با توجه به بازه رنگ 255-0 ، هر پیکسل می تواند در یکی از گروه های شانزده گانه قرار گیرد. می بایستی توجه داشت تغییر شدت رنگ در هر گروه می تواند عاملی تاثیر گذار در تعیین مقدار حد آستانه باشد چرا که دقت صدم و حتی هزارم در این پارامتر می تواند تاثیری جدی بر روند نهایی قطعه بندی داشته باشد.
