این پروژه با زبان برنامه نویسی متلب نسخه 2015a نوشته است. هدف اصلی شبیه سازی انجام شده،
تشخیص ضایعه MS در تصاویر MRI مغز با استفاده از الگوریتم KNN می باشد. الگوریتم مورد استفاده در این شبیه
سازی، الگوریتم محبوب KNN می باشد.
بیماری اسکلروز چندگانه یا به اختصار MS:
بیماری
اسکلروز چندگانه یا به اختصار MS یک بیماری مزمن
است که نوعی اختلال خودایمنی سیستم اعصاب مرکزی است که درنتیجه تخریب پوششِ میلین،
سبب ایجاد لکه های سفید یا پلاک های متعددی در مغز فرد می گردد. اسکلروزیس چندگانه
یک بیماری بالقوه ناتوان‌کننده است که درآن سیستم ایمنی بدن، غلاف محافظی که اطراف
اعصاب را پوشش می‌دهد ازبین می برد.
این مورد
در ارتباط بین مغز و سایر اندامها مداخله نموده و درنهایت ممکن است موجب زوال
اعصاب که یک روند غیرقابل برگشت میباشد، گردد. علائم به‌صورت گسترده‌ای متفاوت و
وابسته به میزان صدمه واعصاب خاصی که تحت تأثیر قرارگرفته است میباشد. این ضایعات
در بیشتر موارد بر ماده سفید موجود در عصب بینایی، ساقه مغز، ستون فقرات، یا ماده
سفید موجود در حوالی نزدیک به بطن جانبی تأثیر می‌گذارند [2-1].
این
ضایعات ماده سفید معمولا در تصاویر MRI مغز قابل مشاهده هستند که
به شکل کانونهای سفید رنگ گرد و بیضوی متعدد در ماده سفید مغز نمایش داده میشوند
که اصطلاحاً به آن پلاک میگویند. از تصاویر MRI برای بررسی کلینیکی و تحقیقاتی بیماری MS بسیار استفاده شده است. با این روش میتوان از وجود پلاکهای جدید و
یا افزایش اندازه و تعداد آنها در بیمار مطلع شد. صحت شناسایی و تشخیص ضایعات MS در تصاویر MRI دشوار است و
تقسیم بندی آن ممکن است همراه با خطا باشد. یک جایگزین دقیق برای تقسیم بندی ذهنی،
تقسیم بندی با استفاده از کامپیوتر است که می تواند با دقت بیشتر و در زمان
کوتاهتری برای پزشک صورت گیرد و تحت عنوان تقسیمبندی (قطعهبندی) تصویر در علوم
کامپیوتر شناخته میشود.
قطعهبندی
یک تصویر، تقسیمبندی تصویر به تعدادی ناحیه است بطوری که پیکسلهای هر ناحیه
دارای حداقل یک ویژگی خاص و مشترک هستند که این ویژگی میتواند متعلق به یک شی از
آن ناحیه باشد. اساسیترین ویژگی در قطعهبندی یک تصویر، میزان شدت رنگ تصویر در
یک تصویر رنگی و مولفههای رنگی آن، لبههای تصویر و بافت تصویر است. خروجی سیستم
قطعهبندی تصویر، تصویری است که بخشهای مختلف آن با استفاده از خطوط رنگی، اشکال
هندسی و یا نواحی رنگی متفاوت از یکدیگر تفکیک شدهاند که این نوع تفکیک موجب
تسهیل در تحلیل بخشهای مختلف تصویر میشود [3].
بر همین
اساس در طرح پیشنهادی هدف اصلی تقسیمبندی تصاویر MRI مغز به منظور تشخیص ناحیه ضایعه MS در این نوع تصاویر است. در طرح پیشنهادی از سیستم تشخیص به کمک
کامپیوتر[1] یا به اختصار CAD استفاده خواهد شد. سیستم CAD یک روال تشخیص الگوی
بسیار پیچیده است که میتواند با پردازش تصاویر پزشکی ساختارهای نامتعارف و مشکوک
را در این نوع تصاویر تشخیص دهد. سیستم CAD از چهار مرحله اصلی تشکیل
شده است که عبارتند از پیشپردازش، تقسیمبندی، تحلیل ساختار یا ناحیه موردنظرو
طبقهبندی.
- در
مرحله اول عملیاتی همچون حذف نمونهها اضافی، حذف نویز، فیلترسازی و غیره از تصویر
انجام میشود.
- در
مرحله دوم عملیاتی همچون تفکیکنمودن نواحی مختلف تصویر از یکدیگر، انطباق بخشهای
تشخیصی با بانک اطلاعات و نمونهبرداری از مقادیر خاکستری ناحیه مورد نظر انجام میشود.
در مرحله سوم هر بخش تشخیصدادهشده به صورت مجزا و به منظور دستیابی به مجموعهای
از ویژگیهای خاص تعیین میشود. پس از تحلیل هر یک از ساختارهای تشخیصدادهشده.
- در
مرحله آخر احتمال ناحیه موردنظر محاسبه شده و در صورتیکه مقدار احتمالی قابل توجه
باشد، ناحیه مورد نظر به عنوان ناحیه ضایعه در خروجی ذکر خواهد شد [4]. لازم به
ذکر است سیستم CAD میتواند شامل عملیات استخراج ویژگی و
انتخاب ویژگی نیز باشد که در مرحله سوم قابل کاربرد است [5]. در روش پیشنهادی قرار
است از ترکیب ویژگیهای آماری و رنگی تصاویر MRI نیز استفاده شود که ترکیب این دو نوع ویژگی شامل اطلاعات ظاهری و
بافتی تصویر خواهد بود که تاثیر بسزایی در تشخیص ناحیه ضایعه خواهد داشت. در روش
پیشنهادی مرحله آخر که قرار است تصمیمگیری در مورد ناحیه اصلی ضایعه را انجام دهد
توسط یکی از روش یادگیری ماشین انجام خواهد شد که دلیل این استفاده این است که
برخلاف روشهای موجود و میتنی بر مدل CAD که از تکنیکهای پردازش
تصویر بهره میبرند، در روش پیشنهادی ستون اصلی سیستم مدل یادگیری ماشین می باشد
که در این صورت انعطافپذیری روش پیشنهادی در تشخیص ناحیه ضایعه MS در تصاویر MRI افزایش خواهد یافت و در
نتیجه دقت تشخیص نیز بهبود خواهد یافت.
در بسياري از موارد نشان داده شده است كه ويژگي‌هاي
ساختاري براي تشخيص یک مسئلهی خاص در تصویر، با تغيير در ظاهر تصویر و يا تغيير
در شرايط محيطي دچار مشكلات اساسي مي‌شوند. اما در گروه ويژگي‌هاي آماري که
گشتاورهای هندسی هم از همین نوع اند، ويژگي‌ها براساس داده‌هاي موجود در كل تصوير
استخراج مي‌گردند. يكي از بزرگترين مزيت‌هاي روشهاي آماري اين است كه الگوريتم‌هاي
زيادي براي آنها در دسترس مي‌باشد و مزيت ديگر آنها عام بودن مي‌باشد. از آنجا كه
كل داده‌هاي موجود در يك تصوير براي ايجاد المانهاي بردار ويژگي مورد استفاده قرار
مي‌گيرند، از اين رو داده‌هايي از تصوير كه در شناسايي الگو نقشي ندارند، در تشكيل
المانهاي بردار ويژگي دخالت خواهند كرد.
مثلاً
قسمتهايي از تصوير مانند زمينه تصوير وغیره كه تاثيري در شناسايي ندارند، در تشكيل
بردار ويژگي مؤثر خواهند بود و بنابراين بازدهي شناسايي را تحت تاثير قرار مي‌دهند.
گشتاورهاي هندسی با توجه به تعريف آنها مستقل از جابه‌جايي هستند، زيرا با تغيير
محل تصوير، مركز جرم هم به نقطه جديد منتقل شده و در نتيجه كل گشتاور مستقل از
جابه‌جايي مي‌گردد یعنی تشخيص الگو، از جابجايي و اندازه، مستقل است. مزيت عمده این
روش، سادگي محاسبه آنها و همچنین سرعت مي‌باشد. در نهایت ويژگي‌هاي هندسی كه به
صورت انتگرالي تعريف مي‌شوند، نشان دهنده ويژگي‌هاي بافتي تصوير هستند. مهمترين
حسن اين ويژگي‌ها راحت بودن محاسبه و استخراج آنها مي‌باشد. همچنين اين ويژگي‌ها
نسبت به نويز نيز حساسيت كمتري دارند.
بنابراین با توجه به توضیحات ارائه شده در این
صفحه، هدف اصلی این پروژه بکارگیری الگوریتم KNN به منظور تشخیص ضایعه MS در تصاویر MRI با استفاده از ابزار برنامه نویسی می باشد.
توجه: در صورت نیاز به انجام پروژه مشابه، فصل 3و4و5 این
پیاده سازی کافیست با شماره تماس یا ایمیل درج شده در سایت تماس حاصل نمایید.
منابع:
[1]. D.
García-Lorenzo, S. Francis, S. Narayanan, D.L. Arnold, and D. Louis Collins,
"Review of automatic segmentation methods of multiple sclerosis white
matter lesions on conventional magnetic resonance imaging," Medical image
analysis, Vol. 17, No. 1, pp. 1-18, 2013.
[2]. O. Ganiler, A. Oliver, Y. Diez, J. Freixenet, J.C. Vilanova,
B. Beltran, L. Ramió-Torrentà, À. Rovira, and X. Lladó, "A subtraction
pipeline for automatic detection of new appearing multiple sclerosis lesions in
longitudinal studies." Neuroradiology, Vol. 56, No. 5, pp. 363-374, 2014.
[3]. Schmidt, Paul,
Christian Gaser, Milan Arsic, Dorothea Buck, Annette Förschler, Achim Berthele,
Muna Hoshi et al. "An automated tool for detection of FLAIR-hyperintense
white-matter lesions in multiple sclerosis." Neuroimage, Vol. 59, No. 4,
pp. 3774-3783, 2012.
[4]. G.JS Litjens, J.O. Barentsz, N. Karssemeijer, and H.J.
Huisman. "Clinical evaluation of a computer-aided diagnosis system for
determining cancer aggressiveness in prostate MRI." European radiology, Vol. 25, No. 11, pp. 3187-3199, 2015.
[5]. Faust, Oliver, et al. "Application of infrared thermography in
computer aided diagnosis." Infrared
Physics & Technology 66 (2014): 160-175.