قطعه بندی تومورهای ریه در تصاویر پزشکی با استفاده از شبکه عصبی

قطعه بندی تومورهای ریه در تصاویر پزشکی با استفاده از شبکه عصبی

(قطعه بندی تومورهای ریه)

امروز جهت قطعه بندی تومور ریه در تصویر CT از روش­های متعددی استفاده می­شود،که هر کدام ممکن است مزیت­ها و معایب خود را داشته باشند، اما اهمیت موضوع و سلامت جامعه در مقابل سرطان ریه بسیاری از کارشناسان را بر آن داشته تا روش­های جدید که دارای سرعت عمل و دقت بالاتری هستند را مورد توجه قرار دهند.

روش­های دستی و دیدن عکس­های گرفته شده از سر توسط پزشکان می­تواند یک روش بسیار دقیق باشد اما اینکه چه عکسی از سر گرفته شود و میزان دقت تصویر تا چه حد باشد  یا نوع تصویر چه باشد تا بتواند حداکثر کمک ممکن را به پزشک بکند، خود حائز اهمیت است.

تکنیک استفاده از تصاویر CT جهت قطعه بندی تومور ریه در تصویر ریه بسیار کاربرد دارد.

این تصاویر کنتراست خوبی دارند و ضایعات را با شدت نور بیشتری نسبت به دیگر اشیا موجود نشان می­دهند. توانايي اين تصویر در نمايش بسياري از اعضاء و بافت‌هاي بدن، جاذبه‌هاي استفاده از آن را در تشخيص بسياري از بيماري‌ها به اوج خود رسانيده است.

قطعه بندی تومور ریه در تصویر CT در تشخیص بیماری ها مهم است و تشخیص و تجزیه و تحلیل این تومور ریه از تصاویر CT معمولا وقت گیر،گران قیمت است. بنابراین، روش های اتوماتیک و نیمه اتوماتیک برای تقسیم بندی تومور ریه توصیه می شود[5].

رشد ناحیه، که ادغام نواحی نیز نامیده می‌شود، با یک یا گروهی از پیکسل‌ها که دانه نام دارند آغاز می‌شود. این دانه‌ها متعلق به ساختار مطلوب و مدنظر ما هستند.

دانه‌ها را می‌توان از یک اپراتور انتخاب کرد و یا از طریق رویه خودکار جستجوی دانه فراهم کرد. در مرحله بعدی پیکسل‌های همسایه برای اضافه شدن به ناحیه رشد آزمایش شباهت می‌شوند.(قطعه بندی تومورهای ریه)

اگر آن‌ها خواص از پیش تعریف شده­ای مشابه با دانه داشته باشند به ناحیه رشد اضافه می‌شوند. این رویه تازمانیکه هیچ پیکسلی نتواند اضافه شود ادامه می‌یابد.

سپس شیئ مطلوب توسط همه پیکسل‌هایی که در طول رویه رشد پذیرفته شده‌اند نمایش داده می‌شود. یک نمونه از آزمایش شباهت، مقایسه کردن تفاوت بین مقدار شدت پیکسل و مقدار میانگین شدت پیکسل‌های ناحیه است.

اگر تفاوت کمتر از مقدار از پیش تعریف شده باشد، پیکسل شامل ناحیه می‌شود؛ در غیر اینصورت به عنوان لبه پیکسل تعریف می‌شود.

نتایج رشد ناحیه به شدت وابسته به انتخاب معیار یا خواص شباهت است. اگر این خواص به طور مناسب انتخاب نشوند، ناحیه‌ها به فضاهای مجاور نفوذ می‌کنند یا با ناحیه‌هایی که متعلق به شیئ مطلوب نیست ادغام می‌گردند. مشکل دیگر رشد ناحیه نقاط شروع متفاوتی هستند که ممکن است به نواحی یکسان و مشابه رشد نکند[10].

مزیت روش رشد ناحیه، توانایی آن در قطعه بندی ناحیه‌هایی است که خواص یکسان دارند و بطور مکانی مجزا هستند.(قطعه بندی تومورهای ریه)

ایجاد کردن ناحیه­های متصل مزیت دیگر این متد است.بجای ادغام ناحیه، ممکن است با تعدادی ناحیه اولیه شروع کنیم و ناحیه‌هایی که معیار شباهت داده شده را برآورده نمی‌کنند را به قسمت‌های جز تقسیم کنیم. این تکنیک تقسیم کردن نامیده می‌شود.

ترکیبی از تقسیم و ادغام مزیت‌های هر دو رویکرد را با هم در برمی­گیرد. رویکردهای متنوعی از قطعه بندی رشد ناحیه توسط ژوکر  توصیف شده است.

مرور عالی از متدهای رشد ناحیه توسط هارالیک و شاپیرو و روزنفلد و کاک انجام شده است. رشد ناحیه در بسیاری از کاربردهای دیگر پزشکی، مثل قطعه بندی حفره‌ها روی تصاویر، استخراج، قطعه بندی استفاده می‌شود.

در ]1[ از ماشین بردار پشتیان و یک مدل کانتور فعال برای قطعه بندی تومور ریه ریوی استفاده کردند. ایده اولیه مارها ابتدا جهت ناحیه بندی اشیاء در تصاویر به کار گرفته شد. مارها یا کانتورهای فعال، منحنی های بسته ای هستند که تحت تاثیر نیروهای داخلی و خارجی در داخل تصویر قادر به حرکت هستند.

نیروی داخلی از روی مشخصات منحنی تعیین می شود و نیروی خارجی از اطلاعات تصویر به دست می آید.

این نیروها به گونه ای تعریف می شوند که منحنی اولیه به سمت مرزهای اشیا داخل تصویر رانده شده و در پیرامون آنها متمرکز می گردد.

در واقع جابجایی منحنی اولیه طوری انجام می گیرد که یک تابع انرژی تعریف شده روی تصویر حداقل شود برخي از مشکلات مدل مارها وابستگی زیاد آنها به کانتور اولیه می باشد و اینکه هیچ تضمینی وجود ندارد که این مدل به سمت ویژگی های مطلوب همگرا شود.

در ]2[یک روش جدید سطح مجموعه تغییرات برای قطعه بندی تومور ریه شامل سه مرحله پیش پردازش، استخراج ویژگی و طبقه‌بندی پیشنهاد شده است. که در روش های مختلف از آن استفاده کردند.

بیشتر روش‌های قبلی قطعه بندی تومور ریه که ازتصاویر ct استفاده کرده اند، توجه کمتری  از روش‌های بدون ناظر نسبت به روش های باناظر که نیاز به مقدار قابل توجهی از داده‌های آموزشی دارند توجه شده است در این کار، یک الگوریتم بدون نظارت قطعه بندی برای تصاویر ct  پیشنهاد شد.

این رویکرد، ابتدا مجموعه‌ای از ویژگی‌های مبتنی بر کانتورلت  را که از مشخصه‌های بافت یک تصویر به دست آمده است را به کار می‌برد.

این ویژگی‌ها پس از آن توسط یک الگوریتم خوشه‌بندی مورد استفاده قرار می‌گیرد که قطعه بندی موفق از تصویر روی  انواع تومور ریه انجام ‌دهد.(قطعه بندی تومورهای ریه)

در مقاله [3] به منظور تقطیع دقيق تر تومور ریه ويژگي ها از روش هاي تركيبي استفاده شده است. مراحل اجراي اين روش بدين صورت است كه ابتدا مركز تومور ریه با استفاده از PCA بدست آمده است سپس به اندازه مشخص از اطراف نقطه مورد نظر بريده شده تا ناحيه مورد نظر بدست بيايد. در اين مرحله بايد حضور رگها را از منطقه مورد نظر حذف كرد. پس رگها با فيلتر انطباقي^[2] بدست آمده از منطقه مورد نظر حذف مي شوند (مقدار پيكسل هاي رگها 0 مي شوند). با استفاده از روش هاي درون يابي مقدار پيكسل هاي صفر شده با مقادير پيكسل هاي همسايه آن پيكسل ها كه در تومور ریه هستند، پر مي شود.

در ]4[براي تشخیص تومور ریه ریوی از روش مبتنی بر آستانه گیری سطح خاکستری استفاده کردند از مزایای این رویکرد  می توان به پیاده سازی آسان و کارآمد اشاره کرد  و از معایب آن به نویز و تاری لبه ها، عدم حساسیت و وضوح، سختی تعریف، پیچیده برای چند بعدی اشاره کرد.

در ]5[ از ویژگی های ضمنی شکل تومور ریه برای قطعه بندی آن استفاده کردند.

که می تواند با ویژگی های منطقه ای و یا مبتنی بر لبه استفاده شود. به موجب آن آنها فرمول انرژی اصلی را  با اضافه کردن شرایطی که کانتور را نسبت به مدل شکل آموزش دیده قبلی تغییر می­دهد گسترش داده­اند. انتقاد مکرر، طرح فاصله علامت­دار است که مدل شکل، بر اساس آن است، یک فضای خطی که می­تواند به شکل­های نامعتبر منجر شود اگر نمونه­های آموزشی بیش از حد متفاوت باشد تغییر نمی­دهد.

در ]6[روش طرح فاصله علامت دار را در فضای شانس لگاریتم خطی، که می تواند مشکلات مدل­سازی را حل کند ارائه دادند.

برای ادامه این بررسی در طول معقول، آنها تا به حال از تئوری­ها و تکنیک­های در سطح مجموعه چشم­پوشی کرده­اند: تفاوت مفهومی بین نمایش ضمنی و مدل های گسسته که قصد دارند بر ضرورت درمان خاصی برای همه بخش­های زیر تمرکز کنند

در ]7[برای آشکارسازی لبه­ها و ساختارهای میله­ای مانند خط در تصویرCT معرفی کرد که از مدل سیستم بینایی الهام گرفته شده است و تحلیل چند­مقیاسی و چند­جهتی تصویر و آستانه­گذاری غیرخطی متناسب با تابع حساسیت کنتراست سیستم بینایی را در این الگوریتم به کار برد.(قطعه بندی تومورهای ریه)

در ]8[یک روش قطعه بندی تومور ریه بر اساس الگوریتم میانگین تغییر توصیف کردند.

الگوریتم میانگین تغییر برای قرار دادن حداکثر نقاط تراکم محلی در فضا ویژگی طراحی شده است.  بردارهای ویژگی حاوی مقیاس خاکستری و یا اطلاعات رنگ و همچنین مختصات پیکسل برای هر پیکسل  محاسبه شده است

در ]9[براي قطعه بندی تومور ریه با استفاده از خوشه بندی سلسله مراتبی برای اندازه گیری اتصال در  تصویر تحقیقی انجام داده بود.

این روش قادر به تشخیص شباهت نوسانات فرکانس پایین است، و نتایج نشان داد که الگوهای اتصالات کارکردی را می توان با خوشه بندی سلسله مراتبی که شبیه اتصالات عصبی شناخته شده است به دست ­آورد عیب این روش این است که راه حل بهینه تعریف نشده است و با داده های نویزدار سازگار نیست.

در ]10[براي تشخیص تومور ریه ریوی از روش مبتنی بر آستانه گیری سطح خاکستری استفاده کردند.

از مزایای این رویکرد  می توان به پیاده سازی آسان و کارآمد اشاره کرد و از معایب آن به نویز و تاری لبه ها، عدم حساسیت و وضوح، سختی تعریف، پیچیده برای چند بعدی اشاره کرد.

در ]11[یک روش EM اصلاح شده برای قطعه بندی تومور ریه در تصویر CT اارائه داده اند که این روش یک روش بدون ناظر می­باشد، یکی از مزایای روش­های بدون ناظر عدم دخالت انسانی در آن است.

از مهم­ترین مزایای این روش سادگی آن و عکس العمل سریع آن است؛ نتایج قابل قبول و تشخیص بالای ضایعه نیز از نکات مثبت این روش است.(قطعه بندی تومورهای ریه)

اما این الگوریتم فقط برای تصاویر تومور ریه ریوی آزمایش شده است و این می­تواند از عیوب این روش باشد

در ]12[به دنبال توسعه یک روش برای قطعه بندی خودکار تومور ریه . از ماشین بردار پشتیبان  در تصاویر CT بهره گرفته‌اند و با بررسی دو هسته مختلف ماشین بردار پشتیبان به این نتیجه رسیده اند که  ماشیبن بردار پشتیبان با کرنل خطی به نتیجه بهتری می‌رسد. آنها دو عامل محل و  شدت را به عنوان ویژگی در نظر گرفته اند. این ویژگیها با استفاده از پنج مستطیل و پنج نقطه از ناحیه تومور ریه و یا غیرتومور ریه عکس بدست آورده شده‌اند.

در ]13[اشاره شده است، مدل  تبدیلات می تواند به طور اتوماتیک همه کانتور ها را شناسایی کند، بدون توجه به این که کانتور اولیه در تصویر از کجا شروع شده است.

بنابراین ما می توانیم بگوییم که مدل  تبدیلات دارای ویژگی قطعه بندی کلی برای قطعه بندی همه تومور ریه ها در یک تصویر CT می باشد. در قیاس، مدل کانتورلت زمانی که کانتور اولیه مرز های سوژه را احاطه کرده است می تواند تنها سوژه را استخراج کند و نمی تواند کانتور اولیه را بدون تنظیم کردن کانتور اولیه درون سوژه شناسایی کند. بنابراین، ما می توانیم بگوییم که مدل کانتورلت دارای ویژگی قطعه بندی ناحیه ای می باشد که تنها سوژه مورد نظر را با کانتور اولیه مناسب می تواند شناسایی کند.

برای مشاهده مطالب بیشتر به سایت فرزدان مراجعه نماید.