Abstract:
به دلیل محل رشد تومورهای مغزی در سر انسان، معمولا احتمال مرگ بر اثر این تومورها، شش برابر بیشتر از تومورهای دیگر است. سیستمهای کامپیوتری را میتوان برای کاهش تجویز درمانهای نامناسب و کمک به متخصصان در تشخیص این بیماری استفاده کرد. در این مقاله از یک الگوریتم جدید بهمنظور تشخیص تومورها در 900 تصویر امآرآی استفاده شده است. این الگوریتم مشتمل بر چهار فاز اصلی است که در فاز اول بعد از ورود دادهها عملیات پیشپردازش بر روی تصاویر با استفاده از روش یکسانسازی هیستوگرام انجام میشود. در فاز دوم با استفاده از دو مدل پیش آموزشدیده شبکه عصبی کانولوشن، استخراج ویژگی انجام میشود. استفاده از مدلهای پیش آموزشدیده شبکه عصبی کانولوشن باعث میشود که ویژگیها با کیفیت بالاتر، نسبت به روشهای سنتی از تصاویر استخراج شود. به علت ایجاد ویژگیهای فراوان توسط مدلهای شبکه عصبی کانولوشن، در فاز سوم از روش تحلیل مؤلفههای اصلی احتمالی بهمنظور کاهش ابعاد و وابستگی استفاده میشود که در نهایت 100 ویژگی اصلی از هر مدل استخراج میشود. در فاز چهارم طبقهبندی با استفاده از الگوریتم ماشین بردار پشتیبان انجام میشود. بهمنظور مقایسه نتایج، از سه شاخص ویژگی، حساسیت، و دقت استفاده شده است. نتایج مقایسهای نشان میدهد که الگوریتم پیشنهادی عملکرد مناسبی در اکثر دادهها دارد.
Mortality in brain tumors is six times higher than other tumors due to its location. Computer systems can be used to reduce the use of inappropriate treatments and help clinicians to diagnose the disease. In this paper, a new algorithm has been used to identify tumors in 900 MRI images. This algorithm consists of four main phases, in the first phase after the input data, the preprocessing operation is performed on the images using the histogram equalization method. In the second phase, the extraction of the feature is performed using two pre-trained convolutional neural network models. The use of pre-trained convolutional neural network models makes it possible to extract higher-quality feature than traditional methods. Due to the creation of many features by convolutional neural network models, in the third phase, the probabilistic principal component analysis method is used to reduce the dimension and dependence, which ultimately extracts 100 main features of each model. In the fourth phase, using support vector machine, classification is done. In order to compare the results, three index of specificity, sensitivity, and accuracy have been used. Comparative results show that the proposed algorithm has a good performance in most data.
Machine summary:
دراين جدول روشهاي استخراج ويژگـي بـه دو دسته الگوريتم هاي سنتي استخراج ويژگي از جمله مـاتريس هـم رخـداد و تبـديل موجک گسسته واستخراج ويژگي با استفاده از مدلهاي يادگيري عميق از جملـه مدلهاي پيش آموزش ديده شبکه عصبي کانولوشن تقسيم شده است .
استفاده ازمدلهاي پيش آموزشديده ي شبکه عصبي کانولوشن بـه منظـور طبقـه بنـدي تومورهـاي مغـزي در تصاوير امآرآي،ايده ي اصلي اين مقاله است و ايـن مطالعـه را از سـاير مطالعـات در حوزه طبقه بندي تصاوير امآرآي متمايز ميسازد.
در اين مقاله از روش يکسانسازي هيستوگرام به منظورپيش پردازش، از شبکه عصبي کانولوشـن بـه منظـور اسـتخراج ويژگي، از روش تحليل مؤلفه هاي اصلي احتمالي به منظورکاهش ابعاد،و از الگوريتم ماشين بردار پشتيبان به منظورطبقه بندي در کلاسهاي مختلف استفاده ميشـود.
در ادامه اين بخش ودر ابتدا،روش يکسانسازي هيستوگرام معرفي ميگـردد؛در ادامـه مدلهاي پيش آموزشديده شبکه عصبي کانولوشن بررسي ميشود؛ سپس الگـوريتم تحليل مؤلفه هاي اصلي احتمالي تشريح و درنهايت الگوريتم ماشين بردار پشتيبان بـه منظورطبقه بندي چندکلاسه شرح داده ميشود.
در اين شکل عملکرد طبقه بندي الگـوريتم ماشـين بردار پشتيبان در قالب ماتريس هاي کانفيوژن در هـر سـه فولـد بـر اسـاس دادههـاي گوگل نت به علاوه تحليل مؤلفه هاي اصلي احتمالي ،نشان داده شده است .
(2017), A professional estimate on the computed tomography brain tumor images using SVM-SMO for classification and MRG-GWO for segmentation.
(2011), Kernel feature selection to fuse multi-spectral MRI images for brain tumor segmentation.
(2018), MRI based medical image analysis: Survey on brain tumor grade classification.
(2009), Brain MR image normalization in texture analysis of multiple sclerosis.
(2006), Classification of magnetic resonance brain images using wavelets as input to support vector machine and neural network.