این پروژه با زبان برنامه نویسی متلب نسخه 2015a نوشته است. هدف اصلی شبیه سازی انجام شده،تشخیص ضایعه MS در تصاویر MRI مغز با استفاده از الگوریتم شبکه عصبیچندلایه پرسپترون یا MLP می باشد. الگوریتم مورداستفاده در این شبیه سازی، الگوریتم محبوب شبکه عصبی چندلایه پرسپترون می باشد.

بیماری اسکلروز چندگانه یا به اختصار MS:

بیماری اسکلروز چندگانه یا به اختصار MSیک بیماری مزمن است که نوعی اختلال خودایمنی سیستم اعصاب مرکزی استکه درنتیجه تخریب پوششِ میلین، سبب ایجاد لکه های سفید یا پلاک های متعددی در مغزفرد می گردد. اسکلروزیس چندگانه یک بیماری بالقوه ناتوان‌کننده است که درآن سیستمایمنی بدن، غلاف محافظی که اطراف اعصاب را پوشش می‌دهد ازبین می برد.

این مورد در ارتباط بین مغز و سایر اندام­ها مداخله نموده و درنهایتممکن است موجب زوال اعصاب که یک روند غیرقابل برگشت می‌باشد، گردد. علائم به‌صورتگسترده‌ای متفاوت و وابسته به میزان صدمه واعصاب خاصی که تحت تأثیر قرارگرفته استمی‌باشد. این ضایعات در بیشتر موارد بر ماده سفید موجود در عصب بینایی، ساقه مغز،ستون فقرات، یا ماده سفید موجود در حوالی نزدیک به بطن جانبی تأثیر می‌گذارند [2-1].

این ضایعات ماده سفید معمولا در تصاویر MRI مغز قابل مشاهده هستند که به شکل کانون­هایسفید رنگ گرد و بیضوی متعدد در ماده سفید مغز نمایش داده می­شوند که اصطلاحاً بهآن پلاک می­گویند. از تصاویر MRIبرای بررسی کلینیکی و تحقیقاتی بیماری MSبسیار استفاده شده است. با این روش میتوان از وجود پلاکهای جدید و یا افزایشاندازه و تعداد آنها در بیمار مطلع شد. صحت شناسایی و تشخیص ضایعات MSدر تصاویر MRIدشوار است و تقسیم بندی آن ممکن است همراه با خطا باشد. یک جایگزیندقیق برای تقسیم بندی ذهنی، تقسیم بندی با استفاده از کامپیوتر است که می تواند بادقت بیشتر و در زمان کوتاهتری برای پزشک صورت گیرد و تحت عنوان تقسیم­بندی (قطعه­بندی)تصویر در علوم کامپیوتر شناخته می­شود.

قطعه­بندی یک تصویر، تقسیم­بندی تصویر به تعدادی ناحیه است بطوری کهپیکسل­های هر ناحیه دارای حداقل یک ویژگی خاص و مشترک هستند که این ویژگی می­تواندمتعلق به یک شی از آن ناحیه باشد. اساسی­ترین ویژگی در قطعه­بندی یک تصویر، میزانشدت رنگ تصویر در یک تصویر رنگی و مولفه­های رنگی آن، لبه­های تصویر و بافت تصویراست. خروجی سیستم قطعه­بندی تصویر، تصویری است که بخش­های مختلف آن با استفاده ازخطوط رنگی، اشکال هندسی و یا نواحی رنگی متفاوت از یکدیگر تفکیک شده­اند که ایننوع تفکیک موجب تسهیل در تحلیل بخش­های مختلف تصویر می­شود [3].

بر همین اساس در طرح پیشنهادی هدف اصلی تقسیم­بندی تصاویر MRI مغز به منظور تشخیص ناحیه ضایعه MS در این نوع تصاویر است. در طرح پیشنهادی ازسیستم تشخیص به کمک کامپیوتر[1]یا به اختصار CAD استفاده خواهد شد. سیستم CAD یک روال تشخیص الگوی بسیار پیچیده است که می­تواندبا پردازش تصاویر پزشکی ساختارهای نامتعارف و مشکوک را در این نوع تصاویر تشخیصدهد. سیستم CAD از چهار مرحله اصلی تشکیلشده است که عبارتند از پیش­پردازش، تقسیم­بندی، تحلیل ساختار یا ناحیه موردنظرو طبقه­بندی.

– در مرحله اول عملیاتی همچون حذف نمونه­ها اضافی، حذف نویز،فیلترسازی و غیره از تصویر انجام می­شود.

– در مرحله دوم عملیاتی همچون تفکیک­نمودن نواحی مختلف تصویر ازیکدیگر، انطباق بخش­های تشخیصی با بانک اطلاعات و نمونه­برداری از مقادیر خاکستریناحیه مورد نظر انجام می­شود. در مرحله سوم هر بخش تشخیص­داده­شده به صورت مجزا وبه منظور دست­­یابی به مجموعه­ای از ویژگی­های خاص تعیین می­شود. پس از تحلیل هریک از ساختارهای تشخیص­داده­­شده.

– در مرحله آخر احتمال ناحیه موردنظر محاسبه شده و در صورتی­که مقداراحتمالی قابل توجه باشد، ناحیه مورد نظر به عنوان ناحیه ضایعه در خروجی ذکر خواهدشد [4]. لازم به ذکر است سیستم CADمی­تواند شامل عملیات استخراج ویژگی و انتخاب ویژگی نیز باشد که در مرحله سوم قابلکاربرد است [5]. در روش پیشنهادی قرار است از ترکیب ویژگی­های آماری و رنگی تصاویرMRI نیز استفاده شود که ترکیب این دو نوع ویژگیشامل اطلاعات ظاهری و بافتی تصویر خواهد بود که تاثیر بسزایی در تشخیص ناحیه ضایعهخواهد داشت. در روش پیشنهادی مرحله آخر که قرار است تصمیم­گیری در مورد ناحیه اصلیضایعه را انجام دهد توسط یکی از روش­ یادگیری ماشین انجام خواهد شد که دلیل ایناستفاده این است که برخلاف روش­های موجود و میتنی بر مدل CAD که از تکنیک­های پردازش تصویر بهره می­­برند،در روش پیشنهادی ستون اصلی سیستم مدل­ یادگیری ماشین می باشد که در این صورتانعطاف­پذیری روش پیشنهادی در تشخیص ناحیه ضایعه MS در تصاویر MRI افزایش خواهد یافت و در نتیجه دقت تشخیص نیزبهبود خواهد یافت.

 در بسیاری از موارد نشان دادهشده است که ویژگی‌های ساختاری برای تشخیص یک مسئله­ی خاص در تصویر، با تغییر درظاهر تصویر و یا تغییر در شرایط محیطی دچار مشکلات اساسی می‌شوند. اما در گروهویژگی‌های آماری که گشتاورهای هندسی هم از همین نوع اند، ویژگی‌ها براساس داده‌هایموجود در کل تصویر استخراج می‌گردند. یکی از بزرگ­ترین مزیت‌های روشهای آماری ایناست که الگوریتم‌های زیادی برای آنها در دسترس می‌باشد و مزیت دیگر آنها عام بودنمی‌باشد. از آنجا که کل داده‌های موجود در یک تصویر برای ایجاد المانهای بردارویژگی مورد استفاده قرار می‌گیرند، از این رو داده‌هایی از تصویر که در شناساییالگو نقشی ندارند، در تشکیل المانهای بردار ویژگی دخالت خواهند کرد.

مثلاً قسمتهایی از تصویر مانند زمینه تصویر وغیره که تاثیری درشناسایی ندارند، در تشکیل بردار ویژگی مؤثر خواهند بود و بنابراین بازدهی شناساییرا تحت تاثیر قرار می‌دهند. گشتاورهای هندسی با توجه به تعریف آنها مستقل از جابه‌جاییهستند، زیرا با تغییر محل تصویر، مرکز جرم هم به نقطه جدید منتقل شده و در نتیجهکل گشتاور مستقل از جابه‌جایی می‌گردد یعنی تشخیص الگو، از جابجایی و اندازه،مستقل است. مزیت عمده این روش، سادگی محاسبه آنها و هم­چنین سرعت می‌باشد. درنهایت ویژگی‌های هندسی که به صورت انتگرالی تعریف می‌شوند، نشان دهنده ویژگی‌هایبافتی تصویر هستند. مهمترین حسن این ویژگی‌ها راحت بودن محاسبه و استخراج آنها می‌باشد.همچنین این ویژگی‌ها نسبت به نویز نیز حساسیت کمتری دارند.

 بنابراین با توجه به توضیحاتارائه شده در این صفحه، هدف اصلی این پروژه بکارگیری الگوریتم شبکه عصبی چندلایهپرسپترون به منظور تشخیص ضایعه MSدر تصاویر MRI با استفاده از ابزاربرنامه نویسی می باشد.

توجه: در صورت نیاز به انجام پروژه مشابه، فصل 3و4و5 اینپیاده سازی کافیست با شماره تماس یا ایمیل درج شده در سایت تماس حاصل نمایید.

منابع:

[1].  D.García-Lorenzo, S. Francis, S. Narayanan, D.L. Arnold, and D. Louis Collins,”Review of automatic segmentation methods of multiple sclerosis whitematter lesions on conventional magnetic resonance imaging,” Medical imageanalysis, Vol. 17, No. 1, pp. 1-18, 2013.

[2].  O. Ganiler, A. Oliver, Y. Diez, J. Freixenet, J.C. Vilanova,B. Beltran, L. Ramió-Torrentà, À. Rovira, and X. Lladó, “A subtractionpipeline for automatic detection of new appearing multiple sclerosis lesions inlongitudinal studies.” Neuroradiology, Vol. 56, No. 5, pp. 363-374, 2014.

[3].  Schmidt, Paul,Christian Gaser, Milan Arsic, Dorothea Buck, Annette Förschler, Achim Berthele,Muna Hoshi et al. “An automated tool for detection of FLAIR-hyperintensewhite-matter lesions in multiple sclerosis.” Neuroimage, Vol. 59, No. 4,pp. 3774-3783, 2012.

[4].  G.JS Litjens, J.O. Barentsz, N. Karssemeijer, and H.J.Huisman. “Clinical evaluation of a computer-aided diagnosis system fordetermining cancer aggressiveness in prostate MRI.” European radiology, Vol. 25, No. 11, pp. 3187-3199, 2015.

[5].  Faust, Oliver, et al. “Application of infrared thermographyin computer aided diagnosis.” Infrared Physics& Technology 66 (2014): 160-175.