تشخیص تومور مغز انسان به کمک کامپیوتر از طریق MRI
چکیده
سیستم های تشخیص / تشخیص بیماری با کمک کامپیوتر (CAD) می توانند قابلیت های تشخیص بیماری پزشکان را ارتقا دهند و زمان مورد نیاز برای تشخیص دقیق را کاهش دهند. هدف از این مقاله، بررسی تکنیک های تقسیم بندی و طبقه بندی اخیر منتشر شده و آخرین وضعیت آنها برای تصاویر رزونانس مغناطیسی مغز انسان (MRI) است. این بررسی نشان می دهد که سیستم های CAD برای تصاویر MRI مغز انسان هنوز هم یک مسئله کاملاً حل نشده هستند. در پرتوی این بررسی، یک تکنیک یادگیری ماشین هوشمند ترکیبی را برای سیستم تشخیص به کمک کامپیوتر برای تشخیص خودکار تومور مغزی از طریق تصاویر رزونانس مغناطیسی پیشنهاد شده است؛ این روش پیشنهادی مبتنی بر روشهای محاسباتی زیر است؛ شبکه عصبی بازخورد پالس-تزویجی برای تقسیم بندی تصویر، تبدیل موجک گسسته برای استخراج ویژگی ها، تجزیه و تحلیل مولفه اصلی برای کاهش ابعاد ضرایب موجک، و شبکه عصبی انتشار-از عقب تغذیه مستقیم برای طبقه بندی ورودی ها به دو دسته طبیعی یا غیر نرمال. آزمایشات بر روی 101 تصاویر متشکل از 14 تومور نرمال و 87 غیر نرمال (تومورهای بدخیم و خوش خیم) از یک مجموعه داده MRI واقعی مغز انسان انجام شد. دقت طبقه بندی در آموزش و آزمون تصاویر 99٪ است که به طور قابل توجهی مناسب بوده است. علاوه بر این، روش پیشنهادی، اثربخشی خود را در مقایسه با تکنیک های دیگر به تازگی منتشر شده یادگیری ماشین نشان می دهد. نتایج نشان داد که روش ترکیبی پیشنهادی، دقیق، سریع و مقاوم است. در نهایت، رهنمودهای ممکن برای تحقیقات آینده پیشنهاد شده است.
1. مقدمه
تومور مغزی یکی از شایع ترین علل عمده برای افزایش مرگ و میر در میان کودکان و بزرگسالان در جهان است. تومور مغزی، گروهی از سلول های غیر نرمال است که در داخل مغز و یا اطراف مغز (Selvanayaki و Karnan، 2010) رشد می کند. بسیاری از انواع مختلف از تومورهای مغزی وجود دارد. برخی از تومورهای مغزی غیر سرطانی (خوش خیم) هستند، و برخی از تومورهای مغزی سرطانی (بدخیم) می باشند. بنیاد ملی تومور مغزی برای تحقیق در ایالات متحده (NBTF) تخمین شده است که در کودکان، تومورهای مغزی علت یک چهارم تمام مرگ های ناشی از سرطان می باشند. همچنین، NBTF با توجه بیشتر تحقیقات در کشورهای توسعه یافته گزارش نموده است که تعداد افراد مبتلا به تومورهای مغزی و مرگ ناشی از آن، به اندازه 300٪ بیش از سه دهه گذشته (Logeswari و Karnan، 2010) افزایش یافته است. تشخیص زود هنگام تومور مغزی بسیار مهم و انگیزه بیشتر مطالعات است. در تصویربرداری رزونانس مغناطیسی مغزی (MRI)، تومور ممکن است به وضوح به نظر برسد اما برای درمان بیشتر، پزشک باید منطقه تومور را کاملاً مشخص نماید. تکنیک های پردازش کامپیوتر و تصویر می توانند کمک بزرگی به تجزیه و تحلیل منطقه تومور را (Marshkole، Singh، و Thoke، 2011) فراهم نمایند.
abstract
Computer-aided detection/diagnosis (CAD) systems can enhance the diagnostic capabilities of physicians and reduce the time required for accurate diagnosis. The objective of this paper is to review the recent published segmentation and classification techniques and their state-of-the-art for the human brain magnetic resonance images (MRI). The review reveals the CAD systems of human brain MRI images are still an open problem. In the light of this review we proposed a hybrid intelligent machine learning technique for computer-aided detection system for automatic detection of brain tumor through magnetic resonance images. The proposed technique is based on the following computational methods; the feedback pulse-coupled neural network for image segmentation, the discrete wavelet transform for features extraction, the principal component analysis for reducing the dimensionality of the wavelet coefficients, and the feed forward back-propagation neural network to classify inputs into normal or abnormal. The experiments were carried out on 101 images consisting of 14 normal and 87 abnormal (malignant and benign tumors) from a real human brain MRI dataset. The classification accuracy on both training and test images is 99% which was significantly good. Moreover, the proposed technique demonstrates its effectiveness compared with the other machine learning recently published techniques. The results revealed that the proposed hybrid approach is accurate and fast and robust. Finally, possible future directions are suggested.
1. Introduction
Brain tumor is one of the most common major causes for the increase in Mortality among children and adults in the world. Brain tumor is a group of abnormal cells that grows inside of the brain or around the brain (Selvanayaki & Karnan, 2010). Many different types of brain tumors exist. Some brain tumors are noncancerous (benign), and some brain tumors are cancerous (malignant). The National Brain Tumor Foundation (NBTF) for research in United States estimates that, in children, brain tumors are the cause of one quarter of all cancer deaths. Also, NBTF reported most research in developed countries show that the number of people who develop brain tumors and die from them has increased perhaps as much as 300% over past three decades (Logeswari & Karnan, 2010). Early detection of the brain tumor is very important and the motivation for further studies. In the brain magnetic resonance imaging (MRI), the tumor may appear clearly but for further treatment, the physician also needs the quantification of the tumor area. The computer and image processing techniques can provide great help in analyzing the tumor area (Marshkole, Singh, & Thoke, 2011).
چکیده
1. مقدمه
2. تکنیک های تصویربرداری از مغز
3. روش عام طرح MRI (CAD)
3.1 تهیه و پردازش تصویر
3.2 روش های تقسیم بندی برای تصاویر پزشکی MR
3. 3. تکنیک های استخراج و طبقه بندی ویژگی برای مغز MRI
4. روش پیشنهادی
4.1 تهیه و پردازش تصویر
4. 2. تقسیم بندی منطقه مورد نظر بر اساس FPCNN
4.3 استخراج ویژگی مبتنی بر تبدیل موجک
4 4. کاهش ویژگی بر اساس PCA
4.5 طبقه بندی تصویر MRI بر اساس ANN
4.6 ارزیابی عملکرد
5. پیاده سازی و بحث در مورد آزمایش
5. 1. پایگاه داده
5.2 پیش پردازش
5.3 تقسیم بندی
5. 4. استخراج و کاهش ویژگی
5. 5. ارزیابی طبقه بندی و عملکرد
6. نتیجه گیری و کار آینده
Abstract
1. Introduction
2. Brain imaging techniques
3. Generic methodology of MRI (CAD) scheme
3.1. Image acquisition and preprocessing
3.2. Segmentation techniques for MR medical images
3.3. Feature extraction and classification techniques for Brain MRI
4. The proposed methodology
4.1. Image acquisition and preprocessing
4.2. Segmentation of region of Interest based on FPCNN
4.3. Feature extraction based on wavelet transform
4.4. Feature reduction based on PCA
4.5. MRI image classification based on ANN
4.6. Performance evaluation
5. Experiment implementation and discussion
5.1. Database
5.2. Preprocessing
5.3. Segmentation
5.4. Feature extraction and reduction
5.5. Classification and performance evaluation
6. Conclusion and future work
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه