بهبود نرخ شناسایی تومورهای مغزی با استفاده ازتلفیق روش های سوپرپیکسل و طبقه بندی RVM

تومورهای مغزی از رشد بی رویه ی سلول های مغزی ناشی می شوند. تومورها عملکرد صحیح مغز را مختل می کنند و اگر اقدامات درمانی جدی و به موقع صورت نگیرد، می تواند منجر به آسیا بافت های مغز و حتی مرگ بیمار گردد. یکی از راه های تشخیص غیر تهاجمی ای توده ها، بهره گیری از تصویربرداری تشدید مغناطیسی MRI می با شد. این روش تشخیص علاوه بر برخورداری از کیفیت و وضوح بالا، فاقد عوارض ناشی از اشعه ی رادیواکتیو ا ست. تشخیص اولیه تومورو تخمین پیشرفت آن یک امر حیاتی است. در حال حاضر این امر با استفاده از تصاویر MRI و به صورت دستی انجام می گیرد. در این مقاله با استفاده از تلفیق روش های نوین، یک روش خودکار به م نظور تشخیص تومور موجود در تصاویر MRI معرفی شده است. این روش مبتنی بر الگوریتم بخش بندی سوپر پیکسل و طبقه بندی بردار ماشین رابط RVM است. براین اساس ابتدا با استفاده از الگوریتم سوپر پیکسل تصویر اصلی به نواحی کوچکی تقسیم می شود. و پس از آن برای هر کدام از این نواحی مجموعه ی ویژگی استخراج می گردد و در نهایت با توجه به این ویژگی های استخراج شده، با روش RVM طبقه بندی گردیده و هر ناحیه به مجموعه سلول های تومور و غیر تومور اختصاص می یابد. در این مقاله به منظور اجرای روش پیشنهادی، از تصاویر FLAIR مجموعه داده ی BRATS2012 است. این هم پوشانی نسبت به ت صاویر تومور استخراج شده در داده های BRATS سنجیده شده است. به منظور مقایسه نتایج حاصل از پیاده سازی روش پیشنهادی نتایج حاصل از طبقه بندی SVM نیز شبه سازی شده است. که ضرایب معیارهای هم پوشانی BF ،Dice Jaccard و score به ترتیب برای RVM 0.888، 0.752، 0.784 و برای SVM و 0.795، 0.412، .657 به دست آمده است. روش پیشنهادی با دو روش، جنگل های تصادفی و روش سوپر پیکسل به همراه روش طبقه بندی ERT توسط پارامتر DICE مقایسه گردیده است که این پارامتر به ترتیب 0/888، 0/870، 0/880 به دست آمده که نشان می دهد روش پیشنهادی نسبت به دو روش دیگر بهتر عمل نموده است.

کلیدواژه ها:

پردازش تصویر ، تصویربرداری تشدید مغناطیسی ، تقسیم بندی سوپر پیکسل ، طبقه بندی RVM