چکیده
آسیب شناسی تومور مغز یکی از رایجترین موضوعات مرگ و میر است که به عنوان یک اولویت ضروری برای جوامع مراقبت های بهداشتی در نظر گرفته میشود. تشخیص دقیق نوع اختلال در طرح ریزی درمان یک مسأله حیاتی است که میتواند نتایج مرگبار را به حداقل برساند. متمایز ساختن مناطق مختلف مغز از یکدیگر، هدف عمده در قطعه بندی و تشخیص است. این روشها در کنار دقیق بودن، باید به سرعت اجرا شوند.
در این مقاله یک روش خودکار برای تشخیص تومور مغز در تصاویر سه بعدی پیشنهاد شده است. در اولین گام، تصحیح میدان تأثیر و برازش هیستوگرام در پردازش تصاویر به کار گرفته شد. در مرحله بعد، محل مورد نظر شناسایی و از زمینه ی تصویر فلیر (Flair) تفکیک شد. الگوی دودویی محلی در سه صفحه متعامد (LBP-TOP) و هیستوگرام گرادیان جهت دار (HOG-TOP) به عنوان ویژگی های فراگیری مورد استفاده قرار گرفتند. از آنجایی که در این تحقیق از تصاویر سه بعدی استفاده میشود، ما برای تعمیم هیستوگرام گرادیان جهت دار به تصاویر سه بعدی، از تفکر الگوی دودویی محلی در سه صفحه متعامد استفاده کردیم. سپس جهت قطعه بندی مناطق توموری، جنگل تصادفی را به کار میبریم. ما راندمان الگوریتم خود در تصاویر گلیوم تهیه شده از BRATS 2013 را ارزیابی میکنیم. نتایج و تحلیل های آزمایشگاهی ما نشان میدهد که چارچوب پیشنهادی ما در تشخیص تومورهای مغزی بر روشهای دیگر برتری دارد.
1- مقدمه
امروزه با توسعه سریع علم و فناوری و قابلیت دسترسی به دادهه ای پزشکی، نیاز به الگوریتم های فراگیری ماشینی دقیقتر احساس میشود. طی دهه های اخیر، محققان بسیاری بر پردازش داده های پزشکی از طریق الگوریتم های فراگیری ماشینی تمرکز کرده اند [2، 1].
تومور مغزی به رشد سلول های غیرعادی در داخل مغز اطلاق میشود [3]. انتشار یک تومور به ترکیبی از عوامل مختلف از قبیل نوع تومور، محل تومور، اندازه تومور و روش گسترش و توسعه تومور بستگی دارد. گلیوم شایعترین تومور اصلی در مغز بزرگسالان است. این تومورها از سلولهای گلیال رشد میکنند و میتوان آنها را به چهار درجه طبقه بندی کرد؛ درجه 3 یا 4 گلیوم درجهبالا هستند. درجات 1 و 2 را میتوان در مورد تومورهای درجه پایین در گروه درمانی به کار برد....