مقاله تکنیک تقسیم بندی تصویر ام آر آی مغز

توضیحات

عنوان فارسی: مروری بر تکنیک های تقسیم بندی تصویر ام آر آی مغز

عنوان انگلیسی:

MRI BRAIN IMAGE SEGMENTATION TECHNIQUES – A REVIEW

 

پیش گفتار

تومور مغزی یکی از خطرناک ترین بیماری هایی است که برای بشر اتفاق افتاده است. اگر تومور به درستی و در مراحل اولیه آن شناخته شود، شانس زندگی می تواند افزایش یابد. تکنیک تقسیم بندی تصویر ام آر آی مغز به طور گسترده ای برای تصویر سازی آناتومی و ساختار مغز به کار گرفته می شود. تصویر تولید شده توسط ام آر آی دارای کنتراست بالای بافت ها و مصنوعات کمتری است. ام آر آی، چندین مزیت نسبت به سایر روش های تصویر برداری دارد، که یکی از آن ها ایجاد کنتراست بالا بین بافت های نرم می باشد. اگرچه، مقدار داده ها برای آنالیز دستی بسیار زیاد است، که این مورد یکی از بزرگ ترین موانع در استفاده موثر از ام آر آی می باشد. یافتن تومور نیازمند انجام چند فرایند بر روی تصاویر ام آر آی می باشد که شامل پردازش تصویر، استخراج خصوصیات، بهبود تصویر و طبقه بندی می باشد. فرایند طبقه بندی نهایی نشان می دهد که یک شخص بیمار است یا خیر. اگرچه تلاش های بسیار و نتایج رضایت بخشی در زمینه تصویر برداری های پزشکی به دست آمده اند، هنوز تقسیم بندی قابل تکرار و طبقه بندی وضعیت های غیر عادی به دلیل اشکال، موقعیت ها و شدت های تصویر مختلف انواع تومور ها، یک کار چالش برانگیز محسوب می شود. در این مقاله، مروری بر روش های مختلف الگوریتم های تقسیم بندی تصویر ام آر آی مغز انجام گرفته و مزایا و معایب هر کدام مورد بحث قرار گرفته است.

واژه های کلیدی: تقسیم بندی تصویر مغز، تصویر MRI مغز، روش تقسیم بندی

مقدمه

آم آر آی یک تکنیک پیشرفته تصویر برداری پزشکی است که اطلاعات بسیاری در مورد آناتومی بافت های نرم انسان تهیه می کند. این روش غالبا در رادیولوژی برای تصویر سازی ساختار و کارکرد بدن انسان استفاده می شود. ام آر آی تصویری از بدن با جزییات بسیار در هر جهت را می تواند تولید کند. ام آر آی به ویژه در تصویر برداری های عصبی (مغز)، اسکلتی عضلانی و غده شناسی (سرطان) مفید می باشد زیرا نسبت به برش نگاری کامپیوتری (CT) کنتراست بهتری بین بافت های نرم مختلف بدن ارائه می دهد. ام آر آی با CT متفاوت می باشد، در این روش از تابش یونیزه شده استفاده نمی شود، بلکه از یک میدان مغناطیسی موثر بهره برده تا هسته های مغناطیسی شده اتم های هیدروژن موجود در آب بدن را تنظیم کند.

اغلب مطالعات در کشور های توسعه یافته نشان داد که نرخ مرگ و میر مردم مبتلا به تومور مغزی در طول سه دهه گذشته افزایش یافته است. امروزه یکی از موارد مرگ آور میان کودکان و بزرگسالان تومور مغزی می باشد. تومور، تجمعی از بافت هاست که خارج از کنترل نیروهای معمول که رشد آن ها را تنظیم می کنند، رشد می کنند. تومورها می توانند مستقیما تمامی سلول های سالم مغز را از بین ببرند. تومور همچنین می تواند به طور غیر مستقیم با متراکم کردن بخش های دیگر مغز به سلول های سالم آسیب بزند و سبب ایجاد التهاب و تورم و فشار مغز درون جمجمه شود. تومور های مغزی دارای اندازه ها، مکان و موقعیت های متفاوت هستند. آن ها همچنین به دلیل قرارگیری روی بافت های معمولی باعث فشار آمدن به آن ها می شوند.

تومور می توانند خوش خیم یا بدخیم باشند و می توانند در بخش های مختلف مغز اتفاق بیفتند و امکان دارد که  در زمره تومور های اولیه باشند یا نباشند. معمول ترین تومور های اولیه عبارتند از تومور های گلیوما، مننژیوما، هیپوفیز آدنیوما و غلاف عصبی. شناسایی و تقسیم بندی تومور مغزی در ام آر آی در تشخیص های پزشکی بسیار حائز اهمیت است زیرا تقسیم بندی دقیق آن برای یافتن تومور، تورم و بافت های مرده بسیار مهم است.

تومور مغزی یکی از خطرناک ترین بیماری هایی است که به طور معمول در میان انسان ها اتفاق می افتد، لذا مطالعه بر روی تومور مغزی بسیار حائز اهمیت است. باتاچاریا و تای هون کیم در سال 2011 یک تکنیک تقسیم بندی تصویر برای شناسایی تومور توسط ام آر آی ارائه کرده اند. تکنیک های آستانه سازی موجود نتایج متفاوتی در هر تصویر تولید کردند. بنابراین برای رسیدن به یک نتیجه رضایت بخش در تصویر تومور مغزی، آن ها یک روش ارائه کرده اند که یافتن تومور به طور منحصر به فرد انجام شد. همچنین پژوهشگر دیگری توسط بادران و همکاران در سال 2010 انجام شد که ایشان روشی مبتنی بر کامپیوتر برای شناسایی دقیق محدوده تومور در مغز توسط تصویر های ام آر آی، ارائه کرده اند. در اینجا طبقه بندی بر روی تصویر تومور مغزی انجام گرفته است تا معلوم شود که تومور از نوع خوش خیم یا بدخیم است. مراحل موجود در الگوریتم پیشنهادی شامل پردازش، تقسیم بندی تصویر، استخراج خصوصیات و طبقه بندی تصویر از طریق تکنیک های شبکه عصبی می باشد. در نهایت، با استفاده از تکنیک محدوده مورد نظر، حدود تومور مکان یابی شده است.

کلی و ماجومدر در سال 2011 یک الگوریتم CSM برای تقسیم بندی ام آر آی مغز به منظور یافتن منطقه دقیق تومور مغزی، پیشنهاد کرده اند. CSM توجه بسیاری به خود جلب کرده است زیرا در مقایسه با سایر فرایند های ادغامی نتایج مطلوب تری می دهد. در اینجا اثر نویز به میزان زیادی کاهش یافته و لذا شانس یافتن منطقه دقیق تومور بیشتر شده و زمان محاسبه بسیار کمتر شده است. الگوریتم آن ها بسیار ساده تر و به لحاظ محاسباتی از پیچیدگی های کمتری برخوردار بود.

چاندرا و همکاران یک الگوریتم بهینه سازی ازدحام ذرات (PSO) بر مبنای خوشه بندی پیشنهاد کرده اند. الگوریتم پیشنهادی، مرکز جرم خوشه ها را شناسایی می کند. هر خوشه، الگو های تومور مغزی به دست آمده توسط ام آر آی را در یک گروه جای داده است. نتایج به دست آمده برای سه اندازه گیری عملکرد مختلف با نتایج به دست آمده توسط ماشین بردار پشتیبانی (SVM) و بوستینگ تطبیقی مقایسه شد. آنالیز عملکرد نشان داد که نتایج کیفی مدل پیشنهادی مشابه نتایج به دست آمده با SVM هستند. به علاوه مقادیر مختلف پارامتر های کنترلی PSO انتخاب شده اند تا نتایج بهتری از الگوریتم حاصل شود.

کوارت-اول و همکاران در سال 2010 یک سیستم قدرتمند برای تشخیص تومور مغزی و همچنین برای استخراج منطقه تومور پیشنهاد کرده اند. در ابتدا، سیستم پیشنهادی با استفاده از طبقه بندی نایو بیز، از ام آر آی تومور را تشخیص می دهد. پس از تشخیص، روش های خوشه چینی میانگین و یافتن مرزها به کار گرفته شد تا منطقه دقیق تومور استخراج شود. در اینجا، بالای 99% دقت برای تشخیص به دست آمد. نتایج آزمایشگاهی نشان داد که سیستم پیشنهادی منطقه دقیق تومور را استخراج کرده است.

حسن ختانلو و همکاران در سال 2009 روشی برای تقسیم بندی تومور مغزی در ام آر آی سه بعدی پیشنهاد کرده اند. روش آن ها برای تومور های مختلف مناسب بود. در ابتدا مغز با استفاده از این روش تقسیم بندی شد، سپس ناحیه مشکوک با توجه به صفحه متقارن و طبقه بندی فازی برای یافتن تومور، شناسایی شد. در اینجا در مرحله تقسیم بندی، با استفاده از ترکیب مدل تغییر پذیر و روابط فضایی، منطقه تومور با موفقیت شناسایی شد.

میشارا در سال 2010 یک سیستم کارآمد توسعه داد که در آن تومور مغزی با استفاده از شبکه های عصبی مصنوعی با دقت بالاتری تشخیص داده شد. پس از استخراج ویژکی ها از داده های ام آر آی توسط بسته های موجک، یک شبکه عصبی مصنوعی به کار گرفته شد تا طیف های نرمال و غیر نرمال مشخص شود. معمولا مزیت بسته های موجک این است که در مقایسه با تبدیل موجک آنالیز غنی تری می دهد و در نتیجه خصوصیات مثبت بیشتری به عملکرد سیستم پیشنهادی آن ها اضافه می کند.

ون فنگ کو و همکاران در سال 2008 یک روش قدرتمند تقسیم بندی تصویر پزشکی پیشنهاد داده اند که ترکیبی از تقسیم بندی واترشد و الگوریتم CHCN برای کمینه سازی پدیده ناخواسته تداخل تقسیمات می باشد. یک روش ادغام مناطق ارائه شد که بر مبنای به کارگیری گراف مناطق مجاور (RAG) بوده و برای بهبود کیفیت تقسیم بندی واترشد به کار برده شده است. عملکرد تکنیک پیشنهادی توسط آزمایشات اعتبار سنجی کمی و کیفی روی یک تصویر معیار مورد ارزیابی قرار گرفت.

یک روش جدید تقسیم بندی ام آر آی بدون نظارت مبتنی بر نگاشت ویژگی های خود سازمان یافته توسط یان لی و ژرو چی ارائه شد. الگوریتم آن ها شامل اطلاعات فضایی اضافی در مورد ناحیه یک پیکسل با استفاده از مدل میدان تصادفی مارکوف (MRF) بود. ترم های MRF نتابج تقسیم بندی را بدون نمونه های داده های در دور آزمایشی، بهبود بخشید. همکاری MRF  در SOFM پتانسیل بالای مدل های MRF در یکنواختی مناطق تقسیم بندی شده را نشان داد. این مدل نشان داد که پیکسل های مجاور بایستی وظایف تقسیم بندی مشابهی داشته باشند مگر اینکه آن ها روی مرز های دو منطقه مشخص باشند.

در مطالعه ابتدایی پزشکی در مورد یافتن تومور، الگوریتم ها مستقیما از روش های پردازش تصویر کلاسیک (مانند یافتن گوشه ها و مناطق در حال رشد) که بر مبنای شدت رنگ خاکستری تصاویر هستند، استقاده کرده اند. در سالیان اخیر طبقه بندی مغز انسان در تصاویر ام آر آی توسط روش های نظارت شده مانند نزدیک ترین همسایگی، شبکه های عصبی مصنوعی و ماشین بردار پشتیبانی (SVM) و یا روش های طبقه بندی بدون نظارت مانند نگاشت خود سازمان یافته (SOM) و الگوریتم میانگین فازی، استفاده شده اند تا تصاویر ام آر آی با وزن دهی T2 نرمال و آسیب دیده طبقه بندی شوند.

اگرچه الگوریتم های زیادی برای یافتن تومور مغزی موجود است، نرخ یافتن هنوز میزان رضایت بخشی نیست. همچنین جزءبندی دقیق یک تصویر به مناطق منطقی کلید اساسی برای رسیدن به موفقیت یا شکست در طبقه بندی تصویر است. در این مقاله مروری بر روش های مختلف الگوریتم های تقسیم بندی تصویر ام آر آی مغز انجام گرفته و در بخش دوم مزایا و معایب آن ها مورد بحث قرار گرفته است. نتیجه گیری در بخش سوم آورده شده است.

توجه:

• برای دانلود فایل word کامل ترجمه لطفا از گزینه افزودن به سبد خرید استفاده فرمایید.
• پس از خرید بلافاصله لینک دانلود فایل برای شما ایمیل خواهد شد.