مقاله قطعه بندی تصاویر MRI مغز مبتنی بر الگوریتم ماشین بردار پشتیبان و تبدیل موجک جهت تشخیص بیماری MS

بخشی از مقاله

چکیده:

تصویربرداري MRI به دلیل دقت بالا درتشخیص بافت هاي نرم و نمایش تمایز بافت هاي طبیعی از غیر طبیعی جزء ابزارهاي مهم در عرصه ي تشخیص انواع بیماري ها به خصوص بیماري هاي مغزي می باشد.این تصاویر اغلب براي شناسایی و کمی کردن ضایعاتMS در مغز و ستون فقرات استفاده می شوند. اختلالات عصبی فراوانی وجود دارند که به سیستم عصبی مرکزي بدن آسیب جدي می رسانند.

از جمله شایع ترین آن ها میتوان به بیماري MS اشاره نمود.تصویر برداري MRI نشان داده است که نسبت به بیماري MS بسیار حساس می باشد و توانایی آن را دارد که ضایعات MS را نسبت به بافت هاي محیطی خود با شدت متفاوتی نشان دهد.تعداد و حجم ضایعه براي ارزیابی میزان بیماري استفاده می شود تا پیشرفت بیماري را رد گیري کند و همچنین تاثیر داروهاي جدید بر فرد بیمار را بررسی کنند.صحت شناسایی و تشخیص ضایعات MS در تصاویر MR به شدت دشوار است و انجام قطعه بندي به صورت ذهنی بسیار پر خطا می باشد.

یک جایگزین جذاب و دقیق براي قطعه بندي دستی ، قطعه بندي کامپیوتري می باشد که می تواند با دقت بیشتري و در مدت زمان کمتري این کار را براي پزشک انجام دهد.با استفاده از تبدیل موجک جهت استخراج ویژگی ها و الگوریتم ماشین بردار پشتیبان قطعه بندي تصاویر MRI مغز بیماران MS جهت جداسازي آسانتر ضایعات انجام گرفته است که نتایج ازنظرحساسیت به میزان 95.5 درصد، دقت 98 درصد و اختصاصی بودن 100درصد قابل اتکا بوده و قابلیت استفاده در بیمارستان ها،کلینیک ها و مراکز درمانی MS را دارد.

-1مقدمه:

با توجه به افزایش بیماري هاي جدید و همینطور گسترش تکنولوژي ها ، تشیخص بیماري ها از حالت تهاجمی به حالت تشخیص از روي تصاویر ارگان هاي داخلی، بدل گشته است.از جمله بیماري هایی که در گذشته ناشناخته بوده،بیماري MS می باشد که نوعی اختلال خود ایمنی سیستم اعصاب مرکزي است که به واسطه پلاك هاي پراکنده در ماده سفید مغزي ، در اطراف بطینات مغز و در نخاع مشخص می شود . این پلاك ها در نتیجه تخریب پوشش میلین به واسطه اختلال خود ایمنی به وجود می آید.

هرچند به نظر می رسد MRI در تشخیص اندازه و مکان پلاك موثر است اما قادر نیست انواع موثر را دسته بندي کند. تکنیک هاي گوناگون براي دسته بندي پلاك هاي مغزي در تصاویر MRI استفاده شده است. چالش هم چنان پیدا کردن تکنیک هاي تقسیم بندي است که در همه موارد بدون توجه به نوع MS در طول بیماري یا پروتکل MRI عمل کند و البته در یک چارچوب اعتبارسنجی استاندارد شده و جامع باشد . تقسیم بندي ضایعه MS هنوز یک مشکل سرگشوده می باشد.

تصویربرداري روزنانس مغناطیسی - MR - اغلب براي شناسایی و تعیین کیفیت ضایعات متعدد MS در مغز و نخاع استفاده می شود . تعداد و حجم ضایعات به منظور ارزیابی میزان بیماري MS ، پیگیري و پیشرفت بیماري و ارزیابی تاثیر داروهاي جدید در آزمایش هاي درمانی استفاده می شود . شناسایی دقیق و صحیح ضایعات MS در تصویر MR به دلیل تغییر پذیري در مکان ضایعات ، اندازه و شکل آن به همراه تنوع پذیري کالبد شناسانه بین اشخاص بسیار دشوار می باشد . از آن جایی که تقسیم بندي دستی نیازمند دانش تخصصی است بنابراین وقت گیر می باشد و در معرض تنوع پذیري در میان کارشناسان می باشد بنابراین روش هاي زیادي براي تقسیم بندي اتوماتیک ضایعات پیش بینی شده اند.

-2تاریخچه

تا به حال تعریف دقیقی از ضایعات ماده سفید - - WML وجود نداشته است اما به طور کلی ضایعات MS روشن تر از ماده ي سفید در تصاویر T2W,PDwو FLAIRاست که اطراف آن را احاطه کرده.اگر چه در بسیاري از ضایعات مخرب,ضایعه مرکزي می تواند تیره تر دیده شود.در تصاویرFLAIR ضایعه معمولا شکلی گرد و تخم مرغی دارد و در رگ هاي خونی کوچک متمرکز شده اند.

ویژگی اصلی WMLها روشن تر بودن آن ها از NAWMها در T2W, PD,FLAIR می باشد.تشخیص WML در روش هاي جداسازي دستی نیازمند دانش خوب از آناتومی عصب و رویداد هاي ناشی از MRI می باشد تا به طور صحیح تمام WMLها در یک تصویررا تشخیص دهند و از false positive ها دوري کند.

به طور کلی روش هاي قطعه بندي به دو دسته طبقه بندي می شوند:

Supervised learning methods - 1

Unsupervised methods - 2

روش تحقیق حاضرSupervised learning method است. این روش به تعریف ضایعه از تصاویر نمونه اي که قبلا توسط سایر روش ها به صورت دستی جدا شده اند,پی می برند.تصاویر معمولا از یگ پایگاه داده مدنظر استخراج شده و باید قابلیت دسترسی را قبل از اینکه این کلاس از روش ها بتوانند در داده ي دیگر استفاده شوند,داشته باشند

هدف اولیه از این روش ها قطعه قطعه کردن ضایعات MS با استفاده از یک پایگاه داده از تصاویر تفکیک شده ي قبلی است. ماشین بردار پشتیبان یا Support Vector Machine - به اختصار - SVM نوع خاصی از شبکه هاي عصبی هستند که بر خلاف سایر انواع شبکه عصبی به جاي کمینه کردن خطا، اقدام به کمینه کردن ریسک عملیاتی طبقه بندي یا مدل سازي می کند. SVM دسته بندي کننده اي است که جزء شاخه Kernel Methods دریادگیري ماشین محسوب میشود. این ابزار، بسیار قدرتمند است و در زمینه هاي مختلفی چون طبقه بندي، خوشه بندي و مدل سازي - رگرسیون - می تواند مورد استفاده قرار بگیرد.

هدف این دسته الگوریتم ها تشخیص و متمایز کردن الگوهاي پیچیده در داده هاست - از طریق دسته بندي، رنکینگ، پاکسازي و غیره - 4و - 5 آنالیز موجک امروزه کاربردهاي فراوانی پیدا کرده است که از آن جمله می توان به کاربرد آن در تصویر برداري پزشکی - MRI - وسی تی اسکن - CAT - ، جداسازي بافت هاي مغزي از تصاویر تشدید مغناطیس، تشخیص خودکارخوشه هاي میکروکلسیفیکاسیون، تحلیل تصاویر طیفی تشدید مغناطیسی - MR Spectrorscopy - و عملکردهاي تشدید مغناطیسی - - F MRI اشاره نمود.

در آنالیز تابعی، تبدیل موجک گسسته تبدیل موجکی است که توابع موجک آن نمونه برداري شده اند. سادهترین و اولین تابع موجک گسسته، موجک هار است که توسط آلفرد هار، ریاضیدان مجاري، معرفی شد.

در کارهاي اخیر,محققین تمرکز زیادي بر تقسیم بندي ضایعات مغز و به خصوص ضایعات حاصل از بیماري MS که کاري نسبتا مشکل می باشد,داشته اند و از الگوریتم هاي مختلفی براي این کار استفاده کرده اند که از جمله آنها میتوان به graph cuts که توسط A P Zijdenbos و همکاران در مقاله - 6 - و نیز توسط Khadem و همکاران در مقاله - 7 - استفاده شده است, اشاره کرد که با همراه کردن مدل مارکوف MRF توسط R Khayati در مقاله - 8 - توانسته است نتایج نسبتا خوبی بدست آورد اما در تعیین لبه ها دچار مشکل می باشند و به همین دلیل از Edge based segmentation نیز براي رفع مشکل و تقسیم بندي بر اساس لبه ها استفاده می کنند ولی در نواحی مختلف امکان نادیده گرفته شدن و عدم برچسب گذاري وجود دارد به همین دلیل از فیلترهایی همچون گابور براي آماده سازي در ابتداي پردازش استفاده می کنند.

-3روش کار

براي اجراي الگوریتم پیشنهادي به یک بانک اطلاعاتی نیازمند هستیم.بانک اطلاعاتی شامل چندین مورد از بیماران مراجعه کننده به مرکز تصویربرداري MRI بیمارستان امیرکبیر اراك می باشد که تعدادي از تصاویر پس از تایید پزشک متخصص به عنوان نمونه آزمایشی و تست برنامه مورد ارزیابی قرار گرفته است.

در این مرحله عکسهاي MRI عبور داده از مرحلهي پیش پردازش جمعآوري میشود سپس نمونهبرداري از پلاك هاي MSو سالم صورت میپذیرد. در نهایت این نمونهها کنار هم چیده میشوند و بانک اطلاعاتی مورد نظر شکل میگیرد.شکل1زیر نمونهي جمعآوري شدهي بانک اطلاعاتی میباشد

شکل -1 نمونه - MSچپ - نمونهسالم - راست -

استخراج خصوصیات :یکی از اصول مرسوم در تفکیک تصاویر استفاده از خصوصیات خاص از متن ، تصویر و پشت زمینه است.نشانه ي خاص و مشهودي که رنگ پیکسل تصاویر دارند ، این است که روشن تر از پشت زمینه شان در سطوح پوسته ي خاکستري است

انتخاب کانال :Flair

کانال Flair به دلیل عدم کاهش فرکانس در داخل مغز به عنوان بهترین وهمچنین موثرترین کانال در جهت تشخیص ضایعات بیماري MS معرفی شده است.همچنین در این کانال شدت بافت ضایعات بیماري MS وضوح بیشتري دارد.

قطعه بندي در قسمت قطعه بندي سعی می کنیم از روشهایی استفاده شود که بافت تصویر مورد آنالیز قرار گیرد. هر بلوك داراي ویژگیهاي بافتی است که می توان براي آموزش استفاده نمود.لذا ابتدا نمونههاي سالم و درگیر MS را بلوكبندي میکنیم و سپس بر روي هر کدام تبدیل موجک صورت میگیرد.ضمن استخراج ویژگی، ویژگیهاي مشابه نیز حذف میگردد که نتیجهي آن بهبود طبقهبندي و افزایش سرعت الگوریتم می باشد.

استخراج ویژگی براي استخراج ویژگی از تبدیل موجک استفاده شده است .در این روش تصویر تقسیم به بلوكهاي 8×8 می گردد. در این مرحله با یک بار تبدیل موجک ماتریس 4×4 حاصل میشود و سپس بردار ویژگی را براي آموزش شبکه ایجاد میکنیم طبقهبندي در این مرحله با استفاده از ویژگیهاي استخراج شده عمل طبقه بندي صورت میگیرد. مرحله طبقهبندي شامل دو مرحله ي آموزش و تست می باشد که توسط الگوریتم SVM انجام میگردد.

آموزش براي آموزش بردار پشتیبان باید مجموعه دادهاي داشته باشیم که با استفاده از آن آموزش را انجام دهیم. در نتیجه باید ابتدا نمونهاي از بافتهاي سالم و MS را داشته باشیم که در شکلها نشان داده شد. همان طور که دیده میشود در شکل نمونهي پلاك هاي MS رنگهاي روشنتري نسبت به شکل نمونه غیرMSي دارند که از خواص تصاویر رزونانس مغناطیسی است تست

در مرحلهي تست عکس MRI،نمونه پلاك هاي MS و سالم به عنوان ورودي به ماشین بردار پشتیبان داده میشود و مراحل الگوریتم از قبیل پیش پردازش و تبدیل موجک انجام میشود. سپس با استفاده از مدل ماشین بردار پشتیبان هر یک از ویژگیهاي به دست آمده از تصویر ورودي به کلاس سالم یا MS نسبت داده میشود و در خروجی به صورت نقطه اي سیاه براي نقاط MS و نقاط سفید براي نقاط سالم نمایش داده میشود.

-4متدهاي ارزیابی:

در این بخش متدهاي ارزیابی اجرایی را براي ارزیابی شیوه هاي پیشنهادي مورد استفاده قرار می دهیم. اجراي متد پیشنهادي را از نظر حساسیت، اختصاصی بودن و دقت محاسبه می کنیم.

Sensitivity=TP/ - TP+FN - 100% Specificity=TN/ - TN+FP - 100%

Accuracy= - TP+TN - / - TP+TN+FP+FN - 100%

: TP تعداد تصاویر پلاك که به درستی پلاك تشخیص داده می شوند.

: FP تعداد تصاویر غیرپلاك که به اشتباه پلاك تشخیص داده می شوند.

: TN تعداد تصاویر غیرپلاك که به درستی پلاك تشخیص داده نمی شوند.

: FN تعداد تصاویر پلاك که به اشتباه غیرپلاك تشخیص داده می شوند - . - 3

نتیجه گیري و ارزیابی

شکل2 خروجی - راست - دیتاست - چپ -

-5 نتایج:

مقایسه با تکنیک هاي ترکیبی بهینه سازي شده:

در این بخش به مقایسه الگوریتم پیشنهادي با الگوریتم هاي ترکیبی SVM می پردازیم.

جدول -1 مقایسه الگوریتم SVM با الگوریتم هاي ترکیبی

این مقایسه نشان می دهد که سیستم ما دقت دسته بندي بالا و محاسبات کمتر دارد به علت استخراج مبتنی بر تبدیل موجک .نتایج تجربی نشان می دهدکه نرخ دقت در شیوه ترکیبی 94/44 تا 98/14 درصد تغییر می کند . درحالیکه در شیوه دیگر از 92/59 تا 96/29 درصد تغییر می کند.

نتایج دسته بندي شیوه پیشنهادي بهتر از شیوه دیگر است که شامل مرحله دسته بندي مغز انسان شامل بافت سالم و MS می باشد.

این شیوه یک ابزار تحلیل تصاویر کلینیکی بسیار موثر براي پزشکان و رادیولوژیست ها می باشد تا پلاك هاي موجود در تصاویر MRI مغز بیماران را به دست آورد.