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

  • سال انتشار: 1397
  • محل انتشار: چهارمین کنفرانس ملی نوآوری و تحقیق در مهندسی برق و کامپیوتر و مکانیک ایران
  • کد COI اختصاصی: ICCONF04_080
  • زبان مقاله: فارسی
  • تعداد مشاهده: 570
دانلود فایل این مقاله

نویسندگان

ابراهیم اکبری

دانشجوی کارشناسی ارشد گروه برق،دانشکده فنی و مهندسی ،واحد مبارکه، دانشگاه آزاد اسلامی،مبارکه،اصفهان ایران

مهران عمادی

استادیار دانشکده ی برق و کامپیوتر،واحد مبارکه،دانشگاه اسلامی، مبارکه ،اصفهان ایران

چکیده

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

مقالات مرتبط جدید

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.