پروژه مطالعه و بررسی روش های آشکارسازی تغییرات شکلی سلول ها در تصاویر پزشکی به منظور تشخیص بیماری ها

پروژه مطالعه و بررسی روش های آشکارسازی تغییرات شکلی سلول ها در تصاویر پزشکی به منظور تشخیص بیماری ها

مطالعه و بررسی روش های آشکارسازی تغییرات شکلی سلول ها در تصاویر پزشکی به منظور تشخیص بیماری ها


چــكـيــده

ﺑﺮاﺳﺎس ﺗﺤﻘﯿﻘﺎت ﺑﻪ ﻋﻤﻞ آﻣﺪه ﺑﺮ اﺛﺮ ﺗﺎﺛﯿﺮ دارو، ﺳﺎﺧﺘﺎر داﺧﻞ و ﺷﮑﻞ ﺳﻠﻮل ﻫﺎ دﺳﺘﺨﻮش ﺗﻐﯿﯿﺮ ﻣﯽ ﺷﻮد. در اﯾﻦ ﭘﮋوﻫﺶ ﭼﻬﺎر ﮔﺮوه از ﺳـﻠﻮل ﻫﺎي ﻣﺨﺘﻠﻒ ﺷـﺎﻣﻞ ﭼﻬﺎر ﻧﻮع ﺑﯿﻤﺎري ﻣﺨﺘﻠﻒ از ﭘﺎﯾﮕﺎه داده اﺧﺬ ﺷـﺪ. در اﺑﺘﺪا، 10 وﯾﮋﮔﯽ ﺷﮑﻠﯽ ﺷﺎﻣﻞ NRL ، ﮔﺎﺑﻮر و زرﻧﯿﮏ و 25 وﯾﮋﮔﯽ ﺑﺎﻓﺘﯽ شامل GLRLM ،GLCM، ﻃﯿﻒ ﺗﻮان از ﺗ ﺼﺎوﯾﺮ ﺳﻠﻮﻟﯽ ا ﺳﺘﺨﺮاج ﺷﺪﻧﺪ. در ﻣﺮﺣﻠﻪ ﺑﻌﺪ، ﺑﻪ ﮐﻤﮏ ﺗﺒﺪﯾﻞ PCA وﯾﮋﮔﯽ ﻫﺎ ادﻏﺎم و ﻣﺘﻌﺎﻣﺪ ﺷﺪﻧﺪ. از ﺑﯿﻦ وﯾﮋﮔﯽ ﻫﺎي ﺣﺎﺻــﻞ ﺑﻪ ﮐﻤﮏ ﻣﻌﯿﺎر ﻓﯿﺸــﺮ وﯾﮋﮔﯽ ﻫﺎي ﺑﺎ ارزش ﺑﺎﻻﺗﺮ در ﻃﺒﻘﻪ ﺑﻨﺪي اﻧﺘﺨﺎب ﺷــﺪﻧﺪ. در ﻣﺮﺣﻠﻪ ﻃﺒﻘﻪ ﺑﻨﺪي از KNN، SVM ، ﺑﯿﺸﻨﻪ ﺷﺒﺎﻫﺖ و ﺷﺒﮑﻪ ﻋﺼﺒﯽ اﺳﺘﻔﺎده ﺷﺪ. ادﻏﺎم در ﺗﺼﻤﯿﻢ ﺑﺎﻋﺚ ﺑﻬﺒﻮد دﻗﺖ ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺪ. در ﻧﻬﺎﯾﺖ ﻃﺒﻘﻪ ﺑﻨﺪي 5 ویژگی با ادغام به روش PCA ﺑﻪ میانگین دﻗﺖ 88,6 به کمک طبقه بند KNN با K=3 در 10 ﺑﺎر ﺗﮑﺮار دﺳﺖ ﯾﺎﻓﺘﯿﻢ.


واژﮔﺎن ﮐﻠﯿﺪي: ﺗﻐﯿﯿﺮات ﺷﮑﻠﯽ ﺳﻠﻮل ﻫﺎي، ﺗﺸﺨﯿﺺ ﺑﯿﻤﺎري ﻫﺎ، وﯾﮋﮔﯽ ﻫﺎي ﺷﮑﻞ، وﯾﮋﮔﯽ ﻫﺎي ﺑﺎﻓﺖ 

 

شکل ‏4-39تصاویر درست تشخیص داده شده  از گروه اول


  1. نتیـجه گیـری

در اين پژوهش، روش‌هاي مختلف استخراج ويژگي بافت مورد ارزيابي قرار گرفت. برخي از روش­ها مانند تبديل فوريه جهت طبقه بندی تصاوير بافتي Brodatz جواب قابل قبولي داشت اما براي طبقه بندی تصاوير هوایی مناسب نبود و نيازمند بهبود در استخراج ويژگي مي­باشد. بعد از استخراج ويژگي ها به علت زياد بودن ويژگي ها از ادغام بدون کاهش ويژگي استفاده شد. در ادامه معيار فيشر داده‌های با انرژي اطلاعاتي بالا را انتخاب نمود و در قسمت استخراج ويژگي در تست، از محاسبه­ی باقي ويژگي هايي که در جهت طبقه بندی اطلاعاتي را اضافه نمي کنند، جلوگيري شده است. در نهايت از ادغام ويژگي ها مبتني بر PCA به همراه کاهش ويژگي استفاده شده است. طبقه بندی با روش نهایی داراي سرعت طبقه بندی قابل قبول و دقت 92 درصد با تعداد 10 مولفه اصلي مي‌باشد. 

در اين آناليز فيشر برخي از ويژگي هاي مختلف استخراج شده از روش‌هاي مختلف داراي انطباق زيادي مي‌باشند، در نتيجه در ارزش اطلاعاتي ويژگي ها و دقت طبقه بندی تأثيري نداشتند. با توجه به هزینه زمانی بسیار بالا در تصاویر سلول ای از این انالیز در اندازه پنجره 2 استفاده نشد.

در طبقه بندی پايگاه هاي شکل، همواره به جواب­هاي بهتري مي رسيم. دليل اين امر علاوه بر فاصله زياد ويژگي ها مي تواند در مواردي نظير عدم قطعيت عضويت تصوير به گروه خاص، وجود زير طبقاتي از شکل در گروه­ها باشد. در صورت تشخيص اين زير­گروه­ها دقت و اعتبار طبقه بندی افزايش خواهد يافتدر این پژوهش از شبکه عصبی بهره گیری شده است. هرچقدر تعداد نرون ها بيشتر باشد عملكرد شبكه دقيق تر خواهد بود. در این ساختار نوع شبكه عصبي چند لايه[1] از نوع پيش خور[2] با الگوريتم پس انتشار خطا[3]، تابع انتقال لايه هاي مياني تابع لگاريتم[4] و تابع انتقال لايه خروجي خطي و تابع آموزشي گراديان نزولي، نرخ یادگیری 0.01 و epochs برابر 60 انتخاب شده است. 



[1] Multi Layer Percepteron (MLP)

[2] Forward Feed

[3] Propagation Back

[4]سيمگوئيد غيرخطي



Search projects

Recent Posts