دانش رسان |
مرکز علم و دانش کشور مقاله تقسیم بندی و آشکارسازی در تصاویر CT ریه به منظور تشخیص توده های ریوی
در حال بارگذاری
توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد
مقاله تقسیم بندی و آشکارسازی در تصاویر CT ریه به منظور تشخیص توده های ریوی دارای ۵۵ صفحه می باشد و دارای تنظیمات و فهرست کامل در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله تقسیم بندی و آشکارسازی در تصاویر CT ریه به منظور تشخیص توده های ریوی کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
توجه : توضیحات زیر بخشی از متن اصلی می باشد که بدون قالب و فرمت بندی کپی شده است
بخشی از فهرست مطالب پروژه مقاله تقسیم بندی و آشکارسازی در تصاویر CT ریه به منظور تشخیص توده های ریوی
فصل اول مقدمه
۱-۱ مقدمه
۱-۱-۲ ریه
۱-۱-۳ ناژول‌ها یا توده های ریوی
۱-۲ تاریخچه
۱-۳ کاربرد
۱-۴ مجموعه داده
۱-۵ ساختار سمینار
۱-۵-۱ جداسازی ریه
۱-۵-۲ آشکارسازی تودهذها
۱-۵-۳ استخراج مرز توده‌ها
۱-۵-۴ تشخیص مکان توده‌ها
۱-۶ جمع بندی
فصل دوم توابع مورفولوژیکال
۲-۱ مقدمه
۲-۲ چند مفهوم از تئوری مجموعه
۲-۳ پردازش مورفولوژیکال روی تصاویر باینری
۲-۴ فرسایشو بسط
۲-۴-۱ بسط
۲-۴-۲ فرسایش
۲-۵ بازکننده و نزدیک کننده
۲-۵-۱ بازکننده
۲-۵-۲ نزدیک کننده
۲-۶ پردازش مورفولوژیکال روی تصاویر GRAY SCALE
۲-۶-۱ بسط
۲-۶-۲ فرسایش
۲-۶-۳-بازکننده
۲-۶-۴ نزدیک کننده
۲-۷ بازسازی
۲-۷-۱ چند تعریف
۲-۷-۲ بازسازی برای تصاویر باینری
۲-۷-۳ بازسازی برای تصویر سطح خاکستری
۲-۸ نتیجه شبیه سازی با استفاده از مورفولوژی
۲-۸-۱ تصاویر CT از ریه‌های مختلف با بیماری‌های مختلف
فصل سوم مروری بر روشهای پیشین آشکارسازی و تشخیص تودههای ریوی
۳-۱ مقدمه
۳-۲ روشهای جداسازی ریه
۳-۲-۱ جداسازی ریه توسط آستانهگذاری و اپراتورهای مورفولوژی
۳-۲-۲ جداسازی ریه توسط کانتور فعال
۳-۳ روشهای آشکارسازی و جداسازی تودههای ریوی
۳-۴ روشهای تشخیص تودههای ریوی
۳-۵ جمعبندی
فصل چهارم جمعبندی و کار آینده
فهرست منابع
بخشی از فهرست مطالب پروژه مقاله تقسیم بندی و آشکارسازی در تصاویر CT ریه به منظور تشخیص توده های ریوی
[۱] Y. Zheng, K. Steiner, T. Bauer, J. Yu, D. Shen, and C. Kambhamettu, Lung nodule growth analysis from 3D CT data with a coupled segmentation and registration framework, in Conf. 2007 IEEE Computer Vision, pp. 1-8.
[۲] American Cancer Society. (2009). Cancer fact and figures [Online]. Available:
[۳] D. Wu, L. Lu, J. Bi, Y. Shinagawa, K. Boyer, A. Krishnan, and M. Salganicoff, Stratified learning of local anatomical context for lung nodules in CT images, in Conf. 2010 IEEE CVPR, pp. 2791-2798.
[۴] X. Ye, X. Lin, J. Dehmeshki, G. Slabaugh, and G. Beddoe, Shape-based computer-aided detection of lung nodules in thoracic CT images, IEEE Trans. Biomedical Engineering, vol. 56, pp. 1810-1820, Jul. 2009.
[۵] S. Shimoyama, N. Homma, M. Sakai, T. Ishibashi, and M. Yoshizawa, Auto-detection of non-isolated pulmonary nodules connected to the chest walls in X-ray CT images, in Conf. 2009 IEEE ICCAS-SICE, pp. 3672-3675.
[۶] J. M. Kuhnigh, V. Dicken, L. Bornemann, A. Bakai, D. Wormanns, S. Krass, and H. O. Peitgen, Morphological segmentation and partial volume analysis for volumetry of solid pulmonary lesions in thoracic CT scans, IEEE Trans. Medical Imaging, vol. 25, pp. 417-434, 2006.
[۷] C. Lei, L. Xiaojian, Z. Jie, and C. Wufan, Automated lung segmentation algorithm for CAD system of thoracic CT, J. Elsevier of Medical Colleges of PLA, vol. 23, pp. 215-222, Jun. 2008.
[۸] G. Yuodong, W. Yong, Z. Yang, L. Yanfen, and L. Mingxin, Computer-Aided detection for pulmonary nodules based on the morphological and spatial features, in Conf. 2010 IEEE ICBECS, pp. 1-4.
[۹] G. RGranavi, A. Baraani-Dastjerdi, H. Abrishami Moghaddarn, M. Giti, and A. Adjdari Rad, A new segmentation method for lung HRCT images, IEEE Proc. 2005 8th DICTA, Cairns, Australia.
[۱۰] S. Taghavi Namin, H. Abrishami Moghadam, R. Jafari, M. Esmaeil-Zadeh, and M. Gity, Automated detection and classification of pulmonary nodules in 3D thoracic CT images, in Conf. 2010 IEEE SMC, pp. 3774-3779.
۱-۱ مقدمه
سرطان ریه ، نوعی بیماری است که در آن بافت ریه رشد بیش از حدی دارد . امروزه سرطان ریه در بین انواع دیگر سرطان ، اصلیترین عامل مرگومیر مردان و دومین عامل مرگومیر زنان در دنیا می‌باشد [[۱ به طور مثال، در سال ۲۰۰۳ در کشور ایالات متحده امریکا حدود ۰۰۰,۱۷۲ مورد و در انگلستان حدود ۰۰۰,۴۰ مورد سرطان ریه گزارش شده‌است [[۲ عمل جراحی ، درمان با اشعه و شیمیدرمانی برای درمان سرطان ریه بکار گرفته می‌شود که البته هیچ کدام نتایج مطلوبی نداشته است[[۳
متاسفانه به دلیل نبود علائم خاصی برای سرطان ریه در مراحل اولیه ، سرطان ریه دیر تشخیص داده می‌شود . دانشمندان نشان دادهاند که اگر بیماری در مراحل اولیه تشخیص داده شود ، شانس زنده ماندن پنج ساله برای بیماران می‌تواند از ۱۴% تا ۴۹% افزایش یابد
بنابراین دانشمندان در صدد بر آمدند که ناژولهای ریوی را در همان مراحل اولیه شناسایی کنند
۱-۱-۲ ریه
ریه‌ها دو کیسه یا توده اسفنجی قابل ارتجاع می‌باشند که در قفسه سینه جای دارند . رنگ آن خاکستری یا قرمز است. روی آن را پردهای بنام جنب میپوشاند. شکل این عضو هرمی است که قاعده آن پائین و راس آن بالاست . دیافراگم قفسه سینه را از شکم جدا می‌سازد . وزن شش‌ها در حدود ۹۰۰ تا ۱۲۰۰ گرم است . ریه راست از ریه چپ بزرگتر است . ریه راست دارای ۳ لب و ریه چپ ۲ لب دارد
کوچک بودن ریه چپ بعلت جایگزینی قلب در سمت چپ سینه است . کیسه هوایی کوچکترین واحد ساختمانی ریه است و تبادل گازی در این محل انجام می‌شود . کیسه هوایی را عروق زیادی احاطه کرده است و کیسه از یک ردیف بافت پوش سنگفرشی ساخته شده‌است . حدود ۲ میلیون کیسه هوایی داریم . همچنین ریه تقریبا شامل ۱۵۰۰ مایل( ۲۴۰۰ کیلومتر ) مجرای تنفسی می‌باشد . دو شبکه خونی ریه را خونرسانی می‌کنند . شبکه تنفسی – شبکه تغذیه ای
۱-۱-۳ ناژول‌ها یا توده های ریوی
ناژولهای ریوی میتوانند به دو شکل ظاهر شوند. یک نوع به صورت جراحات کوچک کروی یا تخم مرغی شکل و نوع دیگر به صورت جراحات کوچک کرمی شکل که به پرده جنب غشاء مایی ریوی چسبیده‌اند که البته چون هر دو نوع ، چگالی بیشتری نسبت به بافت اصلی ریه دارند ، در تصاویر به رنگ سفید ظاهر می‌شوند (شکل ۱-۳)
ناژولهای ریوی معمولا علائم خاصی ندارند و به طور اتفاقی در عکسهای اشعه x قفسه سینه که به منظور دیگری گرفته می‌شود تشخیص داده می‌شوند . قطر این ناژول‌ها معمولا در حدود ۳ یا ۴ سانتیمتر ( کوچکتر از ۶ سانتیمتر) می‌باشد و به یک بافت سالم و زنده ریه محدود می‌شود
وجود تودههای بدخیم در فضای ریه در تصاویر CT [1] نشان دهنده‌ی سرطان ریه می‌باشد. پارامترهایی که بیانگر بدخیم یا خوش‌خیم بودن یک توده می‌باشند عبارتند از شکل، بافت، مکان و نرخ رشد حجم توده. به عنوان مثال، توده‌هایی که شکل نامنظم دارند بیشتر از توده هایی با لبه‌های صاف امکان بروز سرطان دارند. همچنین توده‌هایی که به دیواره‌ی ریه چسبیده‌اند، در صورت دو برابر شدن حجم آنها در دوره‌ای بیش از ۴۰۰ روز، خوش‌خیم محسوب می‌شوند [۳].تقریبا ۶۰% از ناژولهای ریوی خوش‌خیم هستند
۱-۲ تاریخچه
کشف اشعه x در سال ۱۸۹۵ توسط ویلهلم کنراد رنگتن[۲] انقلابی در زمینه پزشکی بود . امروزه انواع مختلفی از تکنیکهای عکس برداری (سه بعدی ) از قبیل عکسهای رادیوگرافی ، CT و MRI[3] قابل دسترساند . دو نمونه از عکسهای رادیوگرافی و CT در شکلهای ۱-۴ و ۱-۵ نشان داده شده‌است
تکنیک‌هایی که برای آشکارسازی تومارهای ریوی بکار میروند شامل رادیوگرافی سینه، آنالیز سلول شناسی خلط سینه ، تست fiber _ optic از مجاری تنفسی و نهایتا CTاسکن و تصاویر MRI می‌باشد
در CTاسکن از اشعه X برای عکس برداری استفاده می‌شود ومانند X-ray هیچ دردی ندارد . در این اسکن از زوایای مختلف از بدن عکس‌هایی گرفته شده و این عکس‌ها شامل برشهایی از بخشی از بدن می‌باشد که از آن عکسبرداری شده‌است . این عکس‌ها به کامپیوتر منتقل می‌شود و کامپیوتر آنها را کنار یکدیگر قرار داده و از این طریق تصاویری دقیق از بخشهای داخلی بدن بدست میآید . با استفاده از آن میتوان اطلاعات دقیقی از مکان تومار و بزرگی آن بدست آورد . یک نوع جدیدتر CT اسکن ، CT اسکن مارپیچی[۴] است . این نوع اسکن سریعتر از اسکن استاندارد است و حتی تصاویر دقیقتری از ارگانها و بافتهای بدن می‌دهد که شامل رگهای خونی هم هستند و می‌تواند برای برداشتن تومارهای خیلی کوچک بسیار مفید باشد . نام این اسکن ، مارپیچی است زیرا در هنگام اسکن ، اشعه به صورت مارپیچی در اطراف بدن شخص میچرخد . در نتیجه تصویری پیوسته بدون هیچ شکافی بین برشهای اسکن ، ایجاد می‌شود . با استفاده از این اسکن ، تصاویر با ضخامت لایهای با کمتر از ۱ میلی‌متر تهیه می‌شوند و بنابراین قادر هستند اشیائی که سایز آنها ۱میلی‌متر باشد را هم آشکار کنند . البته اسکن معمولی هم می‌تواند اشیائی با سایز ۲ یا ۳ میلی‌متر را آشکار کند
امروزه برای تشخیص ناژولهای ریوی تصاویر CT جایگزین تصاویر رادیوگرافی شدهاند زیرا تصاویر رادیوگرافی قادر به تشخیص سرطان ریه در مراحل ابتدایی نبودند اما تصاویر CT به دلیل دقت و کیفیت بالای تصاویر در آشکارسازی ناژولهای ریوی بسیار کارآمد هستند به طوریکه همانطور که در بالا گفته شد می‌تواند توده‌هایی با قطر کوچکتر از ۱mm را آشکار کند ، خیلی کوچکتر از آنچه در تصاویر X-ray قفسه سینه قابل مشاهده است . چند نمونه از تصاویر CT که در آنها ناژول‌ها مشخص شدهاند درشکلهای زیر نشان داده شده است . در این تصاویر محل ناژول‌ها توسط رادیولوژیست با دایرهای نشان داده شده‌است
البته اسکن CT حجم زیادی از دیتا را در اختیار پزشکان قرار می‌دهد . آنالیز با عکسهای رادیوگرافی یک جفت تصویر را شامل می‌شود در حالیکه CTاسکن بالغ بر ۱۰۰ تصویر را برای معاینه فراهم میکند . در ضمن تفسیر یک عکس رادیوگرافی سینه و یا عکس CT کمی مشکل است . وجود ساختارهای اضافی و روی هم قرارگرفتن برخی ساختارها در تصویر باعث پیچیده شدن تصویر می‌شوند . حتی رادیولوژیست با تجربه هم در تشخیص بعضی موارد از جمله تشخیص ناژولهای کوچک دچار مشکل می‌شود. شکل نامنظم، مکان پیچیده از لحاظ آناتومیک و گاهی اوقات روشنایی کم تودههای ریوی باعث بروز مشکلاتی در آشکارسازی، جداسازی، تشخیص و محاسبه‌ی حجم توده‌ها بصورت دستی می‌شود. انجام دادن دستی این عملیات بسیار مشکل و وقت‌گیر بوده و با عدم دقت کافی همراه است
اهمیت کلینیکی رادیوگرافیهای قفسه سینه با وجود مشکلاتی که وجود دارد ، نیاز به توسعه الگوریتم‌های کامپیوتری برای کمک به رادیولوژیست در مطالعه تصاویر قفسه سینه را توضیح می‌دهد
بعد از اختراع کامپیوتر دیجیتال مدرن در پایان دهه ۱۹۴۰ تحقیقات برای رسیدن به کامپیوتری که قادر به انجام کارهایی باشد که سابقا فقط توسط انسان انجام می‌شد آغاز شد .اولین نوشته‌ها درباره آنالیز کامپیوتری تصاویر رادیوگرافی در ۱۹۶۰ ظاهر شد . مقاله‌هایی که مخصوصا در مورد کامپیوتری شدن آشکارسازی اشیاء غیر عادی در رادیوگرافیهای ریه بود در دهه ۱۹۷۰ ظهور پیدا کردند و از آن پس رو به پیشرفت گذاشت
با توجه به مسائل و مشکلات توضیح داده شده و گسترش حجم مطالعات CT همراه با افزایش حجم دیتا نیاز به طرح‌های CAD[5] احساس شد و برای پردازش تصاویر پزشکی مورد نیاز بود . طرح‌های CAD برای کمک به رادیولوژیست در تشخیص انواع آسیبها در تصاویر پزشکی شامل تصاویر رادیوگرافی ، CT ، MRI و تصاویر فراصوت[۶] گسترش یافت . سیستم‌های CAD تصاویر پزشکی را با استفاده از کامپیوتر پردازش می‌کنند تا میزان عدم تشخیص بیماری ، که به دلیل تشخیص نادرست و یا از نظر افتادن بیماری در تصاویر رخ می‌دهد را کاهش دهد . در ادامه مراحل کار یک سیستم آشکارسازی و تشخیص توده در تصاویر CT ریه، در قالب برخی روشهای گذشته بیان می‌شود
۱-۳ کاربرد
کارآیی الگوریتم‌های ارائه شده را می توان در تصاویری غیر از ریه نیزنام برد. به طور مثال روش ارائه شده جهت جدا کردن تودههای متصل به دیواره‌ی ریه برای جداسازی زمین‌های مختلف کشاورزی در تصاویر ماهواره‌ای همچنین روش ارائه شده برای آشکارسازی و استخراج مرز توده‌ها در جداسازی کیسه‌ی صفرا در تصاویر CT کارآیی دارد. محاسبه‌ی حجم کیسه‌ی صفرا در راستای تشخیص بیماری‌های مربوط به آن بسیار حائز اهمیت است
۱-۴ مجموعه داده
مجموعه داده‌ها ELCAP[۷] هستند که از مجموعه داده‌های LIDC[۸] محسوب می‌شوند. این دسته و برچسب‌های تودههای آن به صورت رایگان موجود است. این دسته شامل ۵۰ بیمار و ۳۹۷ توده می‌باشد. براساس گزارش رسمی، %۳۱ توده‌ها منفرد، %۳۰ متصل به برونش و %۳۹ متصل به دیواره هستند. متوسط قطر توده‌ها ۵/۸ میلی‌متر با انحراف معیار ۶/۳ می‌باشد. یعنی کمتر از %۵ توده‌ها کوچک هستند (تودههای کوچک توده‌هایی هستند که قطر آنها کمتر از ۵ میلی‌متر باشد). در جدول ۱۱ مشخصات کامل این سه دسته داده آورده شده است
جدول ۱۱- مشخصات سه دسته داده‌ی CT ریه
تعداد توده در هر نوع
کل
متصل به دیواره
متصل به برونش
منفرد
ضخامت اسلایس‌ها
تعداد بیمار در هر دسته
داده‌ها
۵ م‌م
گروه
دسته اول
۶۲۵/۰ م‌م
گروه
۱ م‌م
دسته دوم
۲۵/۱ م‌م
دسته سوم
۱-۵ ساختار سمینار
۱-۵-۱ جداسازی ریه[۹]
جهت آشکارسازی توده‌ها در فضای ریه ابتدا باید فضای ریه از غیر‌ریه جدا شود. روشهای متعددی در این راستا ارائه شده‌است. برخی روش‌ها بر اساس روشنایی تصویر از آستانهگذاری برای جداسازی ریه استفاده کرده‌اند. با توجه به این که روشنایی ناحیه‌ی ریه بسیار کمتر از دیواره‌ی ریه می‌باشد، در اکثر موارد این روش نسبتاً ساده نتایج قابل قبولی دارد. به طور مثال در روشی که در [[۴ ارائه شده و به طور کامل در فصل سوم توضیح داده می‌شود، از یک آستانهگذاری تطبیقی سه بعدی جهت جدا کردن ماسک اولیه‌ی ریه استفاده شده‌است. همچنین از الگوریتم Chain Code برای پر کردن فرورفتگی‌های ماسک اولیه استفاده شده است. این الگوریتم برای جدا کردن تودههای بسیار کوچک متصل به دیواره‌ی ریه مناسب بوده، ولی برای تودههای بزرگ متصل به دیواره‌ی ریه دچار مشکل می‌شود. زیرا این توده‌ها پس از اعمال آستانهگذاری به عنوان قسمتی از دیواره‌ی ریه در نظر گرفته می‌شوند
در برخی دیگر از روشهای جداسازی ریه از ACM[۱۰] ها استفاده شده است. روش ارائه شده در [[۵ از این قبیل می‌باشد. در این روش کانتور بدست آمده برای ریه در هر اسلایس، کانتور اولیه‌ی ACM در اسلایس بعدی خواهد بود. با توجه به این که هر اسلایس نسبت به اسلایس ما قبل خود تفاوت چندانی ندارد، این روش برای جدا کردن تودههای بزرگ متصل به دیواره‌ی ریه نیز موثر است. اما برای داده‌هایی که ضخامت اسلایس‌ها از یک حدی بیشتر باشد نمی‌توان از این روش استفاده کرد
۱-۵-۲ آشکارسازی توده‌ها[۱۱]
زمانی که ریه از بقیه‌ی تصویر جدا می‌شود، باید پیکسل‌های شامل توده از پیکسل‌های غیرتوده جدا شوند. برای این کار باید ویژگی‌های تصویر استخراج شوند. با توجه به تفاوت روشنایی توده با محیط پیرامون خود، روشنایی از مهمترین ویژگی‌ها می‌باشد. اما براساس شباهت موجود بین روشنایی توده و برونش‌های ریوی ویژگی‌های دیگری نیز لازم است. به طور مثال در [[۴، ویژگی‌های آماری دو و سه بعدی متعددی برای آشکارسازی توده‌ها استفاده شده است. در این روش ۱۵ ویژگی در طبقه‌بندی کننده‌ی SVM[۱۲] استفاده شده است. ویژگی‌هایی از قبیل میانگین، کمینه، بیشینه، انحراف معیار، کجی[۱۳]، درجه‌ی اوج[۱۴]، شکل[۱۵] و غیره. در این روش مقدار FP[۱۶] بدست آمده برابر ۲/۸ در هر اسکن (هر بیمار) می‌باشد. روش‌هایی که براساس ویژگی شکل هستند برای تودههای کروی و بیضوی مفید بوده، و در آشکارسازی توده‌ای با شکل نامنظم دچار مشکل می‌شوند
۱-۵-۳ استخراج مرز[۱۷] توده‌ها
محاسبه‌ی حجم توده‌ها جهت تشخیص روند بیماری برای پزشکان بسیار حائز اهمیت است. بنابراین باید تعداد پیکسل‌های توده در هر اسلایس و در نتیجه در کل اسلایس‌ها مشخص شود. برای این امر باید مرز تودههای آشکار شده به طور دقیق استخراج شود
روش‌هایی که تا کنون برای جداسازی دقیق توده ارائه شده، محدود هستند. برخی از آنها توسط طبقه‌بندی پیکسل به پیکسل تصویر به دسته‌های توده و غیرتوده، پیکسل‌های شامل توده را مشخص می‌کنند. این قبیل روش‌ها وقت‌گیر هستند.برخی دیگر از روش‌ها براساس رشد ناحیه[۱۸] و برخی براساس الگوریتم‌های مورفولوژی [[۶ جداسازی توده را انجام می‌دهند. الگوریتم‌های ارائه شده عموماً برای جداسازی تودههای کروی و بیضوی مفید بوده، و در استخراج مرز تودههای دارای شکل نامنظم دچار مشکل می‌شوند
۱-۵-۴ تشخیص[۱۹] مکان توده‌ها
[۱] computed tomography
[۲] Wilhelm Conrad Rntgen
[۳] magnetic resonance imaging
[۴] Spiral
[۵] Computer-aided diagnostic
[۶] ultrasound
[۷] Early Lung Cancer Action Program
[۸] Lung Image Database Consortium
[۹] Lung Segmentation
[۱۰] Active Contour Model
[۱۱] Nodule Detection
[۱۲] Support Vector Machine
[۱۳] Skewness
[۱۴] Kurtosis
[۱۵] Shape Index
[۱۶] False Positive
[۱۷] Borders Extraction
[۱۸] Region Growing
[۱۹] Recognition
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.
