تشخیص تومور مغزی با استفاده از ترکیب الگوریتم خوشه بندی K-means و الگوریتم ژنتیک

مقدمه:امروزه پردازش تصاویر پزشکی با هدف کاهش میزان خطای انسانی توجه محققان بسیاری را به خود معطوف ساخته است. ناحیه بندی تصاویر پزشکی (تشدید مغناطیس) برای تشخیص تومور یکی از موضوعات شناخته شده در مساله درمان بیماری می باشد. یکی از گسترده ترین روش های ناحیه بندی، الگوریتم های خوشه بندی است که الگوریتم K-means به عنوان یکی از محبوب ترین روش ها در این حوزه شناخته می شود. این الگوریتم علیرغم توانایی خوبی که در ناحیه بندی از خود نشان می دهد دارای مشکل به دام افتادن در بهینه محلی بوده و دقت مناسبی برای تشخیص تومورهای بدخیم ندارد. در الگوریتم K-means تلاش می شود که شباهت بین خوشه ها کاهش و شباهت درون خوشه ای افزایش یابد. از این رو هدف ما در این مقاله، پیشنهاد کردن یک تکنیک خوشه بندی مبتنی بر الگوریتم ژنتیک است که مستلزم بهینه سازی خوشه های نهایی و در نتیجه نمایش ناحیه بندی بهتر تصاویر می باشد. با توجه به این هدف، سادگی الگوریتم K-means و توانایی الگوریتم ژنتیک برای جلوگیری از به دام افتادن در بهینه محلی را با یکدیگر تجمیع کرده و یک روش خوشه بندی مبتنی بر GA که به نام الگوریتم GA-clustering شناخته می شود را ارایه داده ایم. نحوه ترکیب به گونه ایست که الگوریتم ژنتیک در هر تکرار الگوریتم K-means اعمال شده و با پویش بیشتر در فضای جواب سعی در یافتن مراکز خوشه با کیفیت بالاتری دارد. کارایی روش پیشنهادی بر روی تعدادی از تصاویر مجموعه دادگان استاندارد مورد بررسی قرار گرفته است. همچنین کارایی آن با الگوریتم K-means مقایسه شده است. نتایج نشان می دهد که الگوریتم بهینه سازی مبتنی بر ژنتیک نسبت به الگوریتم K-means نتایج بهتری را فراهم آورده است. روش بررسی:این پژوهش بر روی مجموعه دادگان استاندارد BRATS 2013) Brain Tumor Image Segmentation Benchmark) پیاده سازی شده است. این مجموعه شامل توالی از تصاویر خاکستری تشدید مغناطیس MRI ( Magnetic Resonance Imaging است که مربوط به بیماری گلیوما ) gliomas ( نوع خاصی از تومور مغزی می باشد. تصاویر تشدید مغناطیس این مجموعه به چهار دسته T1-weighted ، T1 contrast ، T2-weighted و FLAIR) Fluid Attenuated Recovery ) تقسیم می شوند. این مجموعه داده از صفحه اینترنتی( https://figshare.com/articles/BRATS_2013_Leaderboard_and_Test_Datasets/1348692 ) دریافت شده است. مساله موردنظر در تحقیق حاضر مساله ناحیه بندی تصاویر تشدید مغناطیس مغز به منظور تشخیص تومور مغزی می باشد. الگوریتم پیشنهادی در محیط نرم افزاری متلب 2016 پیاده سازی شده است. نتایج به دست آمده با استفاده از تحلیل آماری موردارزیابی قرار گرفته است. به طوری که تعداد کل پیکسل های تصویر، استخراج شده و به دو دسته صفر (پس زمینه) و یک (ناحیه مطلوب) تقسیم بندی گردیده است. درنهایت مساحت ناحیه مطلوب محاسبه شده است. یافته ها: افزایش دقت ناحیه بندی تصاویر MRI مغز با استفاده از الگوریتم پیشنهادی از طریق پیشگیری از به دام افتادن الگوریتمK-means در بهینه محلی و به دنبال آن تشخیص دقیق تر ناحیه تومور. نتیجه گیری: محاسبه مساحت ناحیه مطلوب به دست آمده (تومور) توسط الگوریتم پیشنهادی و مقایسه آن با الگوریتم K-means نشان می دهد که ناحیه مطلوب به دست آمده توسط الگوریتم پیشنهادی از وسعت بیشتری برخوردار می باشد و در نتیجه الگوریتم پیشنهادی دقت بالاتری را نسبت به الگوریتم K-means از خود نشان می دهد. مساله حاضر را با ترکیب الگوریتم های فراابتکاری دیگر به منظور جلوگیری از به دام افتادن در بهینه محلی به جای الگوریتم ژنتیک میتوان بکار برد؛ همچنین امکان استفاده از تصاویر سه بعدی به جای تصاویر دو بعدی نیز وجود دارد. همچنین میتوان کارایی الگوریتم پیشنهادی را بر روی سایر تصاویر پزشکی نیز مورد آزمون و بررسی قرار داد

کلیدواژه ها:

تومور ، ناحیه بندی ، الگوریتم خوشه بندی K-means ، الگوریتم ژنتیک ، مورفولوژی