پردازش تصاویر پزشکی
حامد فیاض؛ محسن سریانی؛ احساناله کوزهگر؛ تائو تن
دوره 12، شماره 2 ، شهریور 1397، ، صفحه 137-146
چکیده
سرطان پستان دومین عامل مرگ زنان در جهان است. هر چه این بیماری زودتر تشخیص داده شود، احتمال موفقیت در درمان آن بیشتر خواهد بود. امروزه به دلیل مشکلات تصویربرداری ماموگرافی، استفاده از تصاویر فراصوت برای تشخیص سرطان پستان در حال افزایش است. یکی از انواع سامانههای تصویربرداری پستان، ABUS است. این نوع تصویربرداری از مزایای زیادی ...
بیشتر
سرطان پستان دومین عامل مرگ زنان در جهان است. هر چه این بیماری زودتر تشخیص داده شود، احتمال موفقیت در درمان آن بیشتر خواهد بود. امروزه به دلیل مشکلات تصویربرداری ماموگرافی، استفاده از تصاویر فراصوت برای تشخیص سرطان پستان در حال افزایش است. یکی از انواع سامانههای تصویربرداری پستان، ABUS است. این نوع تصویربرداری از مزایای زیادی نسبت به ماموگرافی و سایر روشهای تصویربرداری فراصوت برخوردار میباشد. طراحی یک سامانهی تشخیص به کمک کامپیوتر برای تحلیل تصاویر فراصوت در کنار رایج شدن این نوع تصویربرداری ضروری است. این سامانهها معمولا دارای چهار بخش پیشپردازش، قطعهبندی، استخراج ویژگی و دستهبندی هستند. افزایش دقت قطعهبندی، باعث افزایش دقت عملکرد سامانه میشود. در پژوهشهای پیشین، از روشهای پویش حلزونی و کانتور فعال برای قطعهبندی تودهها در تصاویر سهبعدی استفاده شده است. در سالهای اخیر، استفاده از یادگیری ژرف در زمینههای مختلف، منجر به کسب نتایج قابل توجهی شده است که امکان دستیابی به این نتایج با روشهای سنتی پیشین وجود نداشت. در این پژوهش، با استفاده از یک شبکهی عصبی ژرف، که از معماری U-net 3Dبهره میبرد، تودههای سرطانی در تصاویر ABUS قطعهبندی شدهاند. در این روش، به منظور بهبود عملکرد شبکه، از یک رویکرد جدید برای پسپردازش استفاده شده است. مجموعهی دادگان مورد استفاده، از ۳۲ بیمار جمعآوری شده و شامل۵۰ توده (۳۸ تودهی بدخیم و ۱۲ تودهی خوشخیم) است. برای ارزیابی دقت قطعهبندی، از معیار ضریب Dice استفاده شده است. میانگین دقت به دست آمده روی مجموعهی دادگان مورد استفاده در این پژوهش، ۷۷/۰ است.
پردازش تصاویر پزشکی
امیراحسان لشکری؛ فاطمه پاک؛ محمد فیروزمند
دوره 9، شماره 1 ، فروردین 1394، ، صفحه 71-84
چکیده
سرطان پستان رایجترین نوع سرطان در بین زنان است. مطالعات پاتولوژیک نشان داداند که بیش از80% ناهنجاری های پستان در مراحل اولیه خوشخیم هستند، بنابراین مهمترین مسأله در درمان آن تشخیص زودهنگام است. ترموگرافی مادون قرمز پستان یک روش تصویرگیری مبتنی بر ثبت الگوهای توزیع دمایی بافت پستان است و در مقایسه با ماموگرافی پستان ...
بیشتر
سرطان پستان رایجترین نوع سرطان در بین زنان است. مطالعات پاتولوژیک نشان داداند که بیش از80% ناهنجاری های پستان در مراحل اولیه خوشخیم هستند، بنابراین مهمترین مسأله در درمان آن تشخیص زودهنگام است. ترموگرافی مادون قرمز پستان یک روش تصویرگیری مبتنی بر ثبت الگوهای توزیع دمایی بافت پستان است و در مقایسه با ماموگرافی پستان به دلیل غیرتهاجمی، غیرتماسی، غیرفعال بودن و عدم استفاده از تابش یونیزان روشی بسیار مناسب درتشخیص زودهنگام سلول های سرطانی است. در این مقاله روشی به منظور آشکارسازی خودکار نواحی مشکوک در تصاویر ترموگرام پستان با هدف کمک رساندن به پزشکان در تشخیص زودهنگام این سرطان ارائه شده است، به نحوی که دقت و صحت را افزایش داده و درصد پذیرش اشتباه را کاهش می دهد. این الگوریتم شامل 4 بخش اصلی پردازش تصویر، استخراج ویژگی، انتخاب ویژگی و طبقهبندی است. در مرحلهی پردازش، ابتدا براساس عملیاتی تمام خودکار، ناحیهی مطلوب تعیین شده، کیفیت تصاویر ارتقاء یافته و سپس پستان راست و چپ از یکدیگر جدا میشوند. سپس درایههای ماتریس تصویر، نرمالسازی شده و نواحی نسبی مشکوک تعیین می شوند. پس از آن و در مرحلهی استخراج ویژگی، ویژگیهای آماری، ویژگیهایی مبتنی بر هیستوگرام، ویژگیهایی مبتنی بر ماتریس هموقوعی (GLCM)، ویژگیهایی بر اساس مورفولوژی نواحی مشکوک و ویژگی هایی در حوزهی فرکانس از هر یک از نواحی بخشبندی شدهی پستان راست و چپ استخراج میشوند. در ادامه برای دستیابی به بهترین ویژگیها، روشهای انتخاب ویژگی نظیر کمترین افزونگی و بیشترین ارتباط (mRMR)، انتخاب متوالی روبه جلو (SFS)، انتخاب متوالی روبه عقب (SBS)، انتخاب متوالی سیال روبه جلو (SFFS)، انتخاب متوالی سیال روبه عقب (SFBS) و الگوریتم ژنتیک (GA) بهکار گرفته میشود. در پایان برای طبقهبندی و تعیین معیار استاندارد برای تحلیل دمای عروقی پستانها (TH)، روشهای مختلف طبقهبندی مانند AdaBoost، ماشینهای بردار پشتیبان (SVM)، نزدیکترین همسایه (KNN)، بیزین ساده (NB) و شبکهی عصبی احتمالی (PNN) مورد ارزیابی قرار گرفتند، تا از مناسب ترین آنها به منظور طبقهبندی ویژگیها استفاده شود. نتایج بهدست آمده روی پایگاه دادهی بومی، بیانگر کارایی قابلتوجه روش پیشنهادی است. با توجه به نتایج، ترکیب mRMR با AdaBoost با بیشینه صحت 92% و ترکیب SFFS با AdaBoost با بیشینه صحت 88%، بهترتیب بهترین ترکیبات بهدست آمده روی تصاویر پستان راست و چپ ارزیابی شدند.