تشخیص تومورهای مغزی از تصاویر تشدید مغناطیسی با تلفیق روش‌های ‌سوپر‌پیکسل و طبقه‌بندی ماشین بردار رابط

روش‌های هوشمند در صنعت برق

مقاله 4، دوره 9، شماره 36، بهمن 1397، صفحه 33-42   

نوع مقاله: مقاله پژوهشی

نویسندگان

ابراهیم اکبری¹؛ مهران عمادی^{* 2}

¹کارشناس ارشد - مهندسی برق الکترونیک، واحد مبارکه، دانشگاه آزاد اسلامی، مبارکه، ایران

²استادیار-گروه برق، دانشکده فنی مهندسی، دانشگاه آزاد اسلامی واحد مبارکه، مبارکه ، اصفهان، ایران

چکیده

تولید سلول‌های اضافی اغلب تشکیل توده‌ای از بافت را می‌دهند که به آن تومور اطلاق می‌شود. تومورها می‌توانند عملکرد صحیح مغز را مختل کنند و حتی منجر به مرگ بیمار گردند. یکی از راه‌های تشخیصی غیرتهاجمی برای این بیماری تصویر‌برداری تشدید مغناطیسی (MRI) می‌باشد. توسعه‌ی یک سیستم تشخیصی اتوماتیک یا نیمه‌اتوماتیک به کمک کامپیوتر در درمان‌های پزشکی مورد نیاز است. الگوریتم‌های متعددی برای تشخیص تومور بکار گرفته شده است که هرکدام دارای مزایا و معایب خاص خودش است. در این پژوهش، از تلفیق روش‌های تقسیم‌بندی سوپرپیکسل و طبقه‌بندی RVM، یک روش اتوماتیک برای پیدا کردن محدوده دقیق ناحیه تومور در تصویر MRI ابداع نموده است. الگوریتم مورد‌استفاده در روش سوپرپیکسل، الگوریتم SLIC است که برای هر سوپرپیکسل 13 ویژگی آماری و شدت روشنائی، محاسبه شده و در نهایت توسط الگوریتم طبقه‌بندی RVM روشی آموزش داده می‌شود که بتواند در هر تصویر MRI مغز، قسمت تومور را از غیر‌تومور تشخیص دهد.در این تحقیق از مجموعه داده BRATS2012 و از تصاویر با وزن FLAIR استفاده شده است و نتایج بدست آمده با نتایج BRATS2012 مقایسه گردیده است و ضرایب هم‌پوشانی Dice، BF score و Jaccard به ترتیب 0.898 ، 0.697 و 0.754 بدست آمده است.

کلیدواژه‌ها

تصویربرداری تشدید مغناطیسی؛ تقسیم‌بندی سوپر پیکسل؛ طبقه‌بندی ماشین بردار رابط

مراجع

[1] L. Vincent, P. Soille, "Watersheds in digital spaces: an efficient algorithm based on immersion simulations", IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 13, No. 16, pp. 583-598, June 1991.

[2] A. Kharrat, N. Benamrane, M.B. Messaoud, M. Abid, "Detection of brain tumor in medical images", Proceeding of the IEEE/SCS, ,pp. 1-6, Medenine, Tunisia, Nov. 2009.

[3] K. Sheikh, V. Sutar, S. Thigale, "Clustering based segmentation approach to detect brain tumor from MRI scan", International Journal of Computer Applications, Vol. 118, No. 8, pp. 36-39, May 2015.

[4] S. Shen, "MRI fuzzy segmentation of brain tissue using neighborhood attraction with neural-network optimization", IEEE Trans. on Information Technology in Biomedicine, Vol. 9,No. 3, pp. 459-467, Sept. 2005.

[5] J. Selvakumar, A. Lakshmi, "Brain tumor segmentation and its area calculation in brain MR images using K-mean clustering and Fuzzy C-mean algorithm", Proceeding of the IEEE/ICAESM, pp. 186-190, 30-31 March 2012.

[6] A. Hussain, M. Ansari, S. Gawas, "Lung cancer detection using artificial neural network &fuzzy clustering", International journal of advanced research in computer and communication engineering, Vol. 4, No. 3, March 2015.

[7] V. Rajesh, "Brain tumor segmentation and its area calculation in brain MR images using K-mean clustering and fuzzy C-mean algorithm",  Fuzzy Systems, Vol. 7, No. 3,  pp. 103-107, 2015.

[8] Y. Sharma, p. Kaur, "Detection and extraction of brain tumor from MRI images using k-Means clustering and watershed algorithms", International Journal of Computer Science Trends and Technology, Vol. 3, No. 2, pp. 8-32, 2015.

[9] G. Praveen, A. Agrawal, "Hybrid approach for brain tumor detection and classification in magnetic resonance images", Proceeding of the IEEE/CCIS, pp. 162-168, Mathura, India, Nov. 2015.

[10] S. Ji, "A new multistage medical segmentation method based on superpixel and fuzzy clustering", Computational and Mathematical Methods in Medicine, Vol. 2014, pp. 1-13, March 2014.

[11] M. Soltaninejad, G. Yang, "Automated brain tumour detection and segmentation using superpixel-based extremely randomized trees in FLAIR MRI", International Journal of Computer Assisted Radiology and Surgery, Vol. 12, No. 2, pp. 183-203, 2017.

[12] N. Gupta, P. Khanna, "A fast and efficient computer aided diagnostic system to detect tumor from brain magnetic resonance imaging", International Journal of Imaging Systems and Technology, Vol. 25, No. 2, pp. 123-130, 1 Jan.  2015.

[13] P. Sangamithraa, S. Govindaraju, "Lung tumour detection and classification using EK-Mean clustering", Proceeding of the IEEE/WiSPNET, pp. 2201-2206, 23-25, Chennai, India, March 2016.

[14] BRATS, "The virtual skeleton database project", [Online]. Available: https://www.smir.ch/BRATS/Start2012. [Accessed 2 1 2018].

[15] D.L Pham, C. Xu, J.L Prince, "A survey of current methods in medical image segmentation", Annual Review of Biomedical Engineering, Vol. 2, pp. 315-337, Aug. 2000.

[16] B.H Menze, A Jakab, S Bauer, "The multimodal brain tumor image segmentation benchmark (BRATS)", IEEE Trans. on Medical Imaging, Vol. 34, No. 10, pp. 1993-2024, Oct. 2015.

[17] A. Islam, S.M.S. Reza, K.M. Iftekharuddin, "Multifractal texture estimation for detection and segmentation of brain tumors", IEEE Trans. on Biomedical Engineering, Vol. 60, No. 11, pp. 3204-3215, Nov. 2013.

[18] Nicholas J. Tustison, K. L. Shrinidhi, Max Wintermark, Brian B. Avants, "Optimal symmetric multimodal templates and concatenated random forests for supervised brain tumor segmentation", Neuroinform, Vol. 13, No. 2, pp. 209-225, April 2015.