قطعه بندی تومور مغزی در تصاویر mri

رشد نامحدود و غیرقابل کنترل سلول¬ها باعث پیداش تومور در مغز می¬شود. اگر تومورهای مغزی به سرعت شناسایی و بطور مناسب درمان نشوند، می¬توانند باعث آسیب مغزی دائم و یا حتی مرگ بیمار شوند. در سال¬های اخیر تصویربرداری تشدید مغناطیسی (mri) نسبت به سایر روش¬های تصویربرداری پزشکی، برای معاینه و تشخیص کمکی تومورهای مغزی بطور گسترده مورد استفاده قرار گرفته است که علاوه بر داشتن کنتراست بالا برای بافت¬های نرم، هیچ یک از آسیب¬های اشعه¬ی رادیواکتیو را برای انسان ندارد. پزشکان با قطعه¬بندی تومور در تصاویر mri مغز می¬توانند اطلاعاتی از موقعیت و اندازه¬ی تومور بدست آورند و با استفاده از تجربه و دانش خود برنامه¬ی درمانی بیمار را مشخص کنند. انجام قطعه¬بندی به صورت دستی برای حجم عظیمی از تصاویر mri کاری زمان¬بر و خسته¬کننده بوده و ممکن است باعت اشتباه در تشخیص مرزهای تومور توسط پزشک گردد؛ از طرفی این کار، عملی ذهنی است و به تجربه و اطلاعات پزشک بستگی دارد. بنابراین توسعه¬ی یک سیستم تشخیصی اتوماتیک یا نیمه اتوماتیک به کمک کامپیوتر در درمان¬های پزشکی واقعی مورد نیاز است تا بتواند حجم کاری پزشکان را کاهش داده و دقت را با دادن نتایج عینی بهبود بخشند. این مشکل یک مبحث داغ در زمینه¬ی مهندسی پزشکی است و الگوریتم¬های بسیاری در جهت تلاش برای حل آن پیشنهاد شده¬اند، اما متاسفأنه بدلیل دقت و قدرت کم الگوریتم¬های موجود، هنوز این مشکل حل نشده است. در این تحقیق دو روش کاملاً اتوماتیک برای قطعه¬بندی تومور مغزی در تصاویر mri ارائه شده است که نیازی به دخالت انسان در طول فرآیند ندارند. در هر دو روش ابتدا بافت¬های داخلی مغز استخراج می¬شوند و کار قطعه¬بندی بر روی این بافت¬ها انجام می¬گیرد. با این کار حجم محاسبات و زمان کل فرآیند قطعه¬بندی کاهش پیدا می¬کند. روش اول بر اساس طبقه¬بندی کننده¬ی svm یک کلاسه است که برای تصاویر mri سطح خاکستری طراحی شده است. در این روش پس از مرحله¬ی پیش پردازش، با اعمال روش fbb ناحیه¬ی تومور با یک چهار ضلعی محدود شده روی تصویر مشخص می¬گردد. از این ناحیه به عنوان مجموعه¬ی آموزشی برای آموزش طبقه¬بندی کننده¬ی svm یک کلاسه استفاده می¬شود. میانگین مقادیر بدست آمده برای معیارهای accuracy، si، of و ef در این روش به ترتیب13/99%، 978/0، 9864/0 و 009/0 هستند. در روش دوم تصاویر سطح خاکستری mri پس از مرحله¬ی پیش پردازش به تصاویر رنگی تبدیل شده و برای انجام قطعه¬بندی به الگوریتم ترکیبی pso+k-means داده می¬شوند. الگوریتم بهینه سازی تراکم ذرات (pso)، نقطه دانه¬های اولیه¬ی مورد نیاز الگوریتم خوشه¬بندی k-means را فراهم می¬کند. میانگین مقادیر بدست آمده برای معیارهای accuracy، si، of و ef در این روش به ترتیب 05/99%، 983/0، 992/0 و 25/0 هستند. در نهایت با استفاده از نتایج حاصل از روش¬های فوق که تومور قطعه¬بندی شده است، مرز ناحیه¬ی تومور در تصویر mri اصلی مشخص می¬شود. تصاویر مورد استفاده در این تحقیق از مرکز mri زنجان تهیه شده است. تعداد بیمارانی که مورد بررسی قرار گرفتند 30 مورد بوده و مجموع تصاویر mri مغز از نوع وزن¬دار t2 و flair به ترتیب 270 و 90 تصویر هستند.