تشخیص تومورهای مغزی از تصاویر MRI با تلفیق روش های سوپرپیکسل و طبقه بندیRVMو SVM

تولید سلول های اضافی اغلب تشکیل تودهای از بافت را می دهند که به آن تومور اطلاق می شود. تومورها می توانند عملکرد صحیح مغز را مختل کنند و حتی منجر به مرگ بیمار گردند. یکی از راه های تشخیصی غیرتهاجمی برای این بیماری تصویربرداری تشدید مغناطیسی MRI می باشد. این روش علاوه بر داشتن وضوح و کیفیت بالا برای بافت های نرم، هیچ یک از آسیب های اشعه ی رادیواکتیو را برای انسان ندارد. درحال حاضر محدوده تومور بصورت دستی تعیین می شود و به دلیل بالا بودن حجم اطلاعات این عمل وقت گیر است. بنابراین توسعه ی یک سیستم تشخیصی اتوماتیک یا نیمه اتوماتیک به کمک کامپیوتر در درمان های پزشکی مورد نیاز است. الگوریتم های متعددی برای تشخیص تومور بکار گرفته شده است که هرکدام دارای مزایا و معایب خاص خودش است. در این پایان نامه، از تلفیق روش های نوین، یک روش اتوماتیک برای پیدا کردن محدوده دقیق ناحیه تومور در تصویر MRI ابداع نموده است. این الگوریتم مبتنی بر تقسیم بندی سوپرپیکسل و طبقه بندی RVM و SVM است. الگوریتم مورداستفاده در روش سوپرپیکسل، الگوریتم SLIC است که دو پارامتر تاثیرگذار در این الگوریتم وجود دارد که یکی اندازه سوپر پیکسل S و دیگری. ضریب فشردگیm است برای هر سوپرپیکسل 13 ویژگی آماری و شدت، محاسبه شده است و در نهایت توسط الگوریتم طبقه بندی RVM و SVM 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 ونتایج شبیه سازی با حقیقت پایه که در داده های BRATS 2012 گذاشته شده است در دو روش طبقه بندی RVM و SVM مقایسه گردیده، که نتایج بدست آمده برای همه درجات تومور، بهبود خوبی را در تشخیص تومور برای روش RVM نشان می دهد. ضرایب هم پوشانی accard و BF score ،Dice به ترتیب برای RVM 0.898 ، 0.697، 0.754 و برای SVM 0.784، 0.607، 0.657 بدست آمده است.

Keywords:

تصویربرداری تشدید مغناطیسی , تقسیم بندی سوپر پیکسل , طبقه بندی RVM , طبقه بندیSVM