تشخیص زودهنگام سرطان کولن در تصاویر CTC با استفاده از الگوریتم SVM و PSO-KMEANS

یکی از روش هایی که در تشخیص سرطان های شکمی از جمله سرطان کولون کاربرد دارد، تصویر برداری CT است. به این صورت که پیش از تصویر برداری با تزریق ماده حاجب یا خوراندن آن به بیمار به شفاف شدن تصویر بافت یا ارگان مورد نظر کمک می کنند. سپس تصاویر با تابش اشعه ایکس ایجاد و توسط کامپیوتر ثبت می گردد. در نهایت این تصاویر توسط پزشک متخصص بررسی و در مورد وجود یا عدم وجود ضایعات سرطانی و درمان های بعدی تصمیم گیری می گردد. تشخیص سرطان کولون بر اساس تصاویر استخراج شده از CT به دلیل نویز، هم پوشانی بافت ها، کیفیت پایین تصویر یا خطای انسانی همواره با خطا همراه است. حتی در بسیاری از موارد که سرطان به درستی تشخیص داده می شود همواره بافت های سرطانی کوچک ممکن است دیده نشده و در نتیجه در آینده مجددا به توده های بزرگتر تبدیل شده و درمان های وسیعتر و مخاطرات بیشتر برای بیمار به همراه داشته باشند. در این تحقیق به منظور قطعه بندی از الگوریتم PSO-kmeans و به منظور دسته بندی تومورهای از روش SVM بهره برداری خواهد شد. بدین منظور تصاویر CT بررسی و از بین آن ها مناسب ترین تصاویر استخراج می شوند. دسته بندی تصاویر صورت می گیرد. سپس روش قطعه بندی مبتنی بر K-means پیاده سازی شده و با استفاده از روش PSO بهینه می گردد. به این ترتیب نقاط بهینه روی تصویر مشخص و در صورت لزوم تقویت خواهند شد. نرم افزار مورد نیاز جهت شبیه سازی روش جدید و روش های قبلی طراحی می گردد و با ورودی های یکسان برای تمام الگوریتم های مورد نظر اجرا خواهد شد. در نهایت تصاویر خروجی روش پیشنهادی با استفاده از روش SVM مورد ارزیابی قرار خواهند گرفت. از آن جا که روش پیشنهادی یک روش ترکیبی است که جهت قطعه بندی از روش K-means ( یکی از روش های با قدرت تفکیک بالا جهت قطعه بندی است) و جهت یافتن نقاط بهینه از روش PSO بهره می گیرد، روش ارائه شده توانست به دقت بیشتری نسبت به روش های قبلی دست یابد. نتایج این تحقیق می تواند در بالابردن قدرت تشخیص بیماری ها به پزشکان کمک کند.

کلیدواژه ها:

پردازش تصویر