www.mktop_.ir

(81صفحه/ 4 فصل/Word & PDF)

مقاله کامل در مورد تحلیل میکروکلسیفیکاسیون با تبدیل ویولت بر تصاویرماموگرافی در درمان سرطان

از این مطلب میتوانید در پایان نامه و مقاله سمینار و … خود استفاده بنمایید.

چکیده

یکی از علائم بروز سرطان سینه، رسوبات ریز و دانه دانه ای کلسیم موسوم به میکروکالسیفیکاسیون می باشد. در تصاویر ماموگرافی که از بافت سینه تهیه می شوند، این رسوبات ریز بصورت نقاط ریز و سفید رنگی ظاهر می شوند. معمولا میکروکالسیفیکاسیونها نه بصورت منفرد بلکه بصورت خوشه ای اتفاق می افتند. میکروکالسیفیکاسیونها بصورت خوشه های کوچکی از پیکسلهایی هستند که شدت این پیکسلها نسبت به دیگر پیکسلها نسبتا بیشتر است. این نوع مشخصه های تصویر را می توان با استفاده از تبدیلات مناسب، از تصویر جدا کرد. با توجه به اینکه میکروکالسیفیکاسیونها جزء قسمتهای فرکانس بالای طیف تصویر می باشند، روش پیشنهادی تصویر را به زیر باندهای فرکانسی مختلف تجزیه کرده و قسمت فرکانس پایین را حذف می کند. در نهایت با بازسازی تصویر که فقط شامل قسمتهای فرکانس بالا می باشد به میکروکالسیفیکاسیونها می رسیم. در مرحله بعد با استفاده از تکنیکهای پردازش تصویر از قبیل گرادیان(لاپلاسین)، متوسط گیری، فیلتراسیون گوسین و ترش‏‏ هلدینگ، کیفیت تصویر بهبود می یابد. بر اساس نتایج بدست آمده، این روش تا 85% موارد را صحیح تشخیص می دهد.

مقدمه:

یکی از مهمترین و مؤثرترین راههای تشخیص سرطان سینه به خصوص در مراحل اولیه بیماری، ماموگرافی می باشد. آمار نشان می دهد که در رده سنی 15-54 سال بانوان، سرطان سینه نسبت به سایر انواع سرطان بیشترین تعداد قربانی را می گیرد. مسأله ،زمانی مهمتر جلوه می کند که بدانیم که در رده سنی 35-54 سال مهمترین علت مرگ و میر زنان سرطان سینه می باشد. یکی از مؤثرترین راههای مبارزه با این بیماری، تشخیص آن در مراحل اولیه پیدایش است. در حال حاضر بهتری روش برای این منظور ماموگرافی می باشد. ماموگرافی تنها روش مطمئنی است که می توان از طریق آن یک توده را در سینه پیش از آنکه از طریق لمس قابل تشخیص باشد، آشکار نمود. بعضی از سرطانهای سینه را می توان حدود دو سال پیش از آنکه به اندزه ای برسند که از طریق لمس قابل تشخیص باشند، به کمک ماموگرافی آشکارنمود . البته باید توجه داشت که ماموگرافی هیچ گاه نمی تواند جایگزینی برای بیوپسی ( نمونه برداری از بافت) باشد، زیرا این روش نمی تواند سرطان را در سینه های با چگالی بافت بالا آشکار نماید. بطور کلی در حدود 40% از سرطانهای سینه در مراحل اولیه، فقط از طریق ماموگرافی قابل تشخیص هستند.

ماموگرام ها بر حسب اینکه از چه جهتی تهیه می شوند به دو دسته اصلی تقسیم می شوند: کرانیو کودال- یا CC که از جهت بالا به پایین گرفته می شود و مدیولترال – ابلیک یا MLO که به صورت نیم رخ و اریب گرفته میشود. هدف از این کار این است که سینه از جهات مختلف مورد آزمایش قرارگیرد تا بتوان ضایعات را بهتر مشاهده نمود.

  • ضرورت طراحی سیستم خودکار

چنانکه گفتیم یکی از مؤثرترین راههای جلوگیری از پیشرفت سرطان، مطلع شدن از ابتلاء به آن در مراحل اولیه بیماری است. بدین منظور لازم است که در فواصل زمانی معینی از سینه ماموگرام تهیه شود تا پیش از آنکه ضایعات به حدی برسند که غیرقابل کنترل باشند، آشکار شوند. مطالعات نشان داده که زنانی که بطور منظم از طریق ماموگرافی مورد آزمایش قرار می گیرند، نرخ ابتلاء به سرطان سینه و مرگ و میر ناشی از آن بطور چشمگیری کاهش می یابد . ولی تهیه ماموگرام در فواصل زمانی منظم، پزشکان را با حجم زیادی از این تصاویر روبرو می کند. تعداد نسبتاً محدود رادیولوژیست ها و تعداد زیاد تصاویر، بررسی ماموگرام ها را هزینه بر، وقتگیر و گاهی غیر دقیق خواهد ساخت. علاوه بر این، حساسیت چشم انسان با افزایش تعداد تصاویر کاهش می یابد. این مسائل لزوم طراحی سیستمی خودکار را برای تشخیص سرطان سینه در مراحل اولیه آن ایجاب می کند.

مقاله کامل در مورد تحلیل میکروکلسیفیکاسیون با تبدیل ویولت بر تصاویرماموگرافی در درمان سرطان www.mktop.ir

مقاله کامل در مورد تحلیل میکروکلسیفیکاسیون با تبدیل ویولت بر تصاویرماموگرافی در درمان سرطان www.mktop.ir

روشهای ماموگرافی

بطورکلی برای ماموگرافی دو روش کلی موجود است . روش اول که در کشور ما متداول است رادیوگرافی با فیلم معمولی می باشد که از نظر کلی مشابه رادیوگرافی سایر اعضاء صورت می گیرد ولی با دوز اشعه کمتر. روش دوم که روش پیشرفته تری است زرورادیوگرافی می باشد. مزیت زرورادیوگرافی نسبت به ماموگرافی معمولی وضوح بهتر تصاویر و بنابراین بهتر دیده شدن اجزاء تصاویر است. ولی کاستی های این روش نسبت به روش معمولی ماموگرافی، یکی بالا بودن دوز پرتو است ( حدود 5 برابر روش معمولی) که ضرر بیشتری را متوجه بیمار می کند، و دیگری قدرت تفکیک یا دقت پایین تر نسبت به تصاویر معمولی است  یکی از اهداف پردازش ماموگرام های معمولی این است که آنها را از نظر وضوح به گونه ای تغییر دهند که مشابه زرورادیوگرام ها شوند. بدین ترتیب بدون اینکه بیمار پرتو اضافی تابانیده شود، تصاویری مشابه زرورادیوگرامها ایجاد خواهد شد که برای تشخیص مناسبتر هستند.

 هدف ماموگرافی یا نوع بیماری مورد تشخیص در ماموگرامها

حال ببینیم که درماموگرام ها بدنبال چه نوع عوارضی هستیم. بطور کلی می توان این عوارض ها را به دودسته تقسیم نمود: اول بافتهای غیرطبیعی مانند تومورها و دوم میکروکلسیفیکاسیون ها. به همین ترتیب می توان زمینه های مختلف کار بر روی ماموگرام ها را از نظر تشخیص خودکار توسط کامپیوتر به همین دو دسته تقسیم نمود.

مشخصات میکروکالسیفیکاسیونها

میکروکلسیفیکاسیون ها ذرات بسیار کوچک کلسیم دار هستند که دربافتهای سینه رسوب می کنند. ایجاد خوشه های میکروکلسیفیکاسیون ها از اولین نشانه های شروع سرطان سینه هستند. اگراندازه های میکرون برای رقمی کردن تصاویر استفاده شود، کوچکترین میکروکلسیفیکاسیون ها اندازه ای برابر 2×2 پیکسل خواهند داشت .

 

ماموگرام سینه حاوی تعدادی میکروکالسیفیکاسیون نشانه های شروع سرطان سینه www.mktop.ir

ماموگرام سینه حاوی تعدادی میکروکالسیفیکاسیون نشانه های شروع سرطان سینه www.mktop.ir

 

مشخصه های سرطانی بودن میکروکالسیفیکاسیونها

حال سؤال این است که آیا وجود میکروکلسیفیکاسیون ها به تنهایی می تواند نشان دهنده ابتلاء به سرطان سینه باشد یا خیر. در پاسخ باید گفت که پنج ویژگی برای کلسیفیکاسیون ها وجود داردکه می توان خوش خیم و بدخیم بودن را از روی آنها تشخیص داد. این ویژگی ها عبارتند از : تعداد، اندازه ، شکل، ترتیب قرار گیری و محل.

  • تعداد: وجود تعداد زیاد کلسیفیکاسیون خوشه ای، خطر بدخیمی را افزایش می دهد. اگر کلسیفیکاسیون ها پخش باشند، و تعداد آنها کمتر از 5 عدد باشد، معمولاً نیازی به انجام بیوپسی نیست.

  • اندازه : هرچه تفاوت میان اندازه کلسیفیکاسیون های موجود بیشتر باشد، خطر بدخیمی بیشتر است. باید دانست که در ضایعات خوش خیم همه کلسیفیکاسیون ها دارای یک اندازه هستند.

  • شکل: کلسیفیکاسیون ها در ضایعات بدخیم به اشکال مختلف دیده می شوند.

  • ترتیب قرارگیری: هرگونه بی نظمی د رترتیب قرار گرفتن کلسیفیکاسیون ها بیانگر  وجود ضایعه بدخیم است.

  • محل: اگر کلسیفیکاسیون ها در داخل پوست باشد، بایستی با تصاویر دیگری که تهیه می شود مورد بررسی بیشتر قرارگیرد. در صورتی که میکروکلسیفیکاسیون قسمت زیادی از بافت سینه را اشغال کرده باشد، حتی اگرتوده مشخصی هم وجود نداشته باشد، باید بررسی بیشتری انجام شود.

به منظوراینکه ارتباط شکل کلسیفیکاسیون ها را با خوش خیم و بدخیم بودن آنها بیشتر توضیح دهیم به یک نمونه از کلسیفیکاسیون های بدخیم و چگونگی شکل گیری آنها اشاره می کنیم. یکی از انواع سرطان که به سرطان سینه گسترده منتهی می شود، با نام سرطان درون مجرا شناخته می شود. دراین نوع سرطان، کلیسم به دو طریق رسوب می کند. در نوع اول سلولهای سرطانی در جدار داخلی مجراهای شیری رشد کرده، آن را پر می کنند، سپس در آنجا می میرند و بقایای آنها به صورت ذرات کوچک کلسیم دار به جای می مانند. طبیعی است که در این عارضه مجراها مانند قالب هایی برای کلسیفیکاسیون ها عمل خواهند نمود و بنابراین شکل کلسیفیکاسیون ها دراز، میله ای شکل و شاخه شاخه میشود.

در حالت دوم، علت ایجاد کلسیفیکاسیون ها جریان نیافتن تراوشات غدد می باشد. شکل کلسیفیکاسیون ها دراین عارضه، نقطه ای می باشد و اشکال نامنظم با اندازه های گوناگون دارند.

از جمله مواردی که کلسیفیکاسیون های خوش خیم را ایجاد می کنند می توان به کلسیفیکاسیون های عروقی، کلسیفیکاسیون های پوستی، و یا ته نشین کلسیم در بافتهای پوستی اشاره کرد، که درهر یک از این موارد شکل کلسیفیکاسیون بستگی به عامل بوجود آورنده آن دارد. نکته ای که درمورد ماموگرام ها باید گفت این است که درماموگرام ها خدشه هایی وجود دارد که می توانند به شکل کلسیفیکاسیون ها ظاهر شوند و تشخیص را با اشکال مواجه کنند. این خدشه ها می توانند توسط منابع مختلفی تولید شوند، یک مورد خراشهایی هستند که روی فیلم ایجاد می شوند. تارهای مو، پودر تالک، ژل الکتروکاردیوگرافی و یا خالکوبی می توانند اثراتی مشابه کلسیفیکاسیون ها داشته باشند. درمان آرتریت روماتوئید (یک بیماری مفصلی) توسط ترکبیات طلا باعث ایجاد رسوب این فلز در بافت ها می شود که به صورت نقاط روشنی در ماموگرام ها ظاهر خواهند شد. بلورین شدن مواد ظهور فیلم ممکن است باعث ایجاد رسوباتی روی سطح فیلم شود که نقاط روشنی مشابه کلسیفیکاسیون ها ایجاد خواهند نمود. برخی از این خدشه ها را می توان با روشهای پردازش تصویر ازماموگرام حذف کرد.

  • بررسی مسأله از دید علم پردازش تصویر

همانگونه که پیش از این شاره شد ماموگرام ها اصولاً دارای وضوح پایینی بوده واجزاء تصویر درماموگرام ها که مشخص کننده ضایعاتی در سینه هستند، اغلب خیلی کوچک می باشند. بهبود دیجیتال ماموگرام ها تفسیر مطمئن تری از تصاویر پیچیده را به دست می دهد. بدون اینکه به معاینات ثانویه بیماران نیاز باشد. علاوه بر آن می توان به کمک این روش از بیوپسی هایی که نتیجه آسیب شناسی منفی دارند و درنتیجه غیرضروری بوده اند، کاست . چنانچه پیش از این گفته شد، لزوم عکسبرداری از سینه در فواصل زمانی منظم، برای مانتیور نمودن گسترش سرطان در مراحل اولیه آن، باعث می شود که تعداد تصاویر به دست آمده افزایش یابد و این مسأله باعث می شودکه به دنبال روشهای تشخیص خودکار سرطان توسط کامپیوتر برویم.

بطور کلی سه مسأله مهم در تحلیل میکروکلسیفیکاسیون ها وجود دارد که به قرار زیر می باشد:

الف: اجزاء مورد توجه درتصاویر خیلی کوچک هستند اینها به صورت نقاط روشنی در ماموگرام ها دیده می شوند. ما توجه خود را به میکروکلسیفیکاسیون های خوشه ای معطوف می کنیم. با توجه به مقالات متعددی که در باره میکروکلسیفیکاسیون ها نوشته شده، اندازه انها بطور متوسط 3/0 میلی متر است . اجزای کوچکتر 1/0 میلی متر به دلیل وجود نویز و بافتی که در زمینه آنها وجود دارد به سختی دیده می شوند.

ب : این اجزاء کوچک در یک زمینه غیر همگن قرار دارند. ممکن است زمینه در بعضی از بخشهای تصویر از کلسیفیکاسیون ها در سایر بخشها روشنتر باشد، بنابراین استفاده از یک سطح آستانه معمولی نمی تواند برای تفکیک مناسب باشد.

ج : یک مسأله دیگر وضوح نسبتاً پایین کلسیفیکاسیون های کوچک نسبت به زمینه می باشد که بعضی از مواقع بسیار نزدیک به نویزی است که ناشی از مواد موجود در فیلم رادیوگرافی است و یا مربوط به زمینه غیرهمگن در تصویر میباشد. بنابراین نمی توان هیچ حد پایینی را برای وضوح میکروکلسیفیکاسیون ها در نظر گرفت. بنابراین هدف این است که سیستم تا حدممکن به تغییرات ناشی از کلسیفیکاسیون ها حساس باشد، در عین حال تغییراتی راکه بر اثر نویز ایجاد می شوند، حذف کند. این بدان معنی است که برای عمل تفکیک بایستی تغییرات محلی شدت روشنایی تصویر را در نظر گرفت.

همان طور که اشاره شد، یک مسأله دیگر در ماموگرام ها وجود نویزهایی است که ناشی از اختلالات موجود در فیلم های رادیوگرافی است که در مراحل تولید یا حین ظهور ایجاد می شوند. این اختلالت به صورت نقاط منفرد و روشنی هستند که در تصویر مشاهده می شوند، در تصویر رادیوگرافی از سایر اعضاء بدن این اختلالات ایجاد مشکل نمی کنند ولی چون در این تصاویر با کلسیفیکاسیون ها اشتباه می شوند، بنابراین بایستی راهی برای حذف آنها یافت. در بینایی ماشین، تجزیه و تحلیل محتوای اطلاعاتی یک تصویر مستقیماً از روی شدت روشنایی سطوح خاکستری پیکسل های آن کار دشواری است. در واقع، این روش وابسته به شرایط نورپردازی است. تغییرات محلی شدت روشنایی در تصویر مهمتر از شدت روشنایی پیکسل های تصویر است. اندازه همسایگی که وضوح در آن اندازه گیری می شود می بایست تناسب مستقیم با اندازه اشیایی داشته باشد که می خوهیم آنها را بررسی کنیم.

این اندازه رزولوشن مرجعی را توصیف می کند که اندازه گیری تغییرات محلی شدت روشنایی تصویر می بایست در آن رزولوشن صورت پذیرد. در بینایی ماشین عمدتاً به دنبال شناسایی ساختارهایی هستیم که اندازه های بسیار متفاوت دارند. بنابراین برای تجزیه و تحلیل تصاویر می توانیم از پیش یک رزولوشن مرجع را در نظر بگیریم و تصاویر را در آن رزولوشن تهیه کنیم. با انتخاب رزولوشن خاص به عنوان رزولوشن مرجع و طراحی یک سیستم شناسایی، در صورتی که اندازه ساختار مورد شناسایی تغییر کند رفتار سیستم طراحی شده قابل پیش بینی نخواهد بود.

    نمونه کارهای انجام شده:

محققان متعددی الگوریتم هایی برای تطبیق الگو ارائه داده اند که تصویر را در رزولوشن های متفاوتی پردازش می کند. به هیمن دلیل اطلاعات تصویر را می توان در غالب مجموعه ای از جزییات تصور کرد که در رزولوشن های مختلف اتفاق می افتد. اگر دنباله ای از رزولوشن های افزاینده که در آن Z مجموعه اعداد صحیح است، را داشته باشیم. جزییات یک تصویر در رزولوشن می تواند به صورت تفاوت در میزان اطلاعات بین تقریب تصویر در رزولوشن و تقریب آن در رزولوشن پائین تر، تعریف شود. یک تجزیه چند رزولوشنی به ما این امکان را می دهد که تعبیر مستقل از مقیاس تصویر داشته باشیم. مقیاس یک تصویر با تغییر فاصله بین صحنه و مرکز اپتیکی دوربین تغییر می کند. وقتی مقیاس تصویر اصلاح می شود، تعبیر ما از صحنه نباید تغییر کند. چناچه در نمایش چند روزلوشنی دنباله رزولوشن ها بطور توانی تغییر کنند. نشان می دهیم که این نمایش مستقل از مقیاس است. فرض کنید یک قدم رزولوشن مثل (R مجموعه اعداد حقیقی است) وجود داشته باشد به طوری که اگر دوربین α   برابر به صحنه نزدیک شود، هر شئی از صحنه روی مرکز اپتیکی دوربین بر روی ناحیه ای که α   2 برابر بزرگتر شده است، تصویر خواهد شد. بنابراین جزییات تصویر جدید در رزولوشن α3 متناظر با جزییات تصویر در رزولوشن می باشد. در نتیجه تغییر مقیاس به اندزه α   سبب انتقال جزییات تصویر در طول محور رزولوشن می.شود درنتیجه، اگر جزییات تصویر در تمام رزولوشن ها به شکل ثابتی پردازش شود، تعبیر ما از اطلاعات تصویر با عوض شدن مقیاس تغییر نخواهد کرد.یک نمایش چند رزولوشنی یک ساختار سلسله مراتبی ساده را برای تعبیر اطلاعات تصویرفراهم می کند. در رزولوشن هایی متفاوت، جزییات یک تصویر، ساختارهای فیزیکی متفاوتی از صحنه را مشخص می کند. در یک روزلوشن خشن این جزییات متناظر با ساختارهای بزرگتر است که فراهم کننده محتوای کلی تصویر است. بنابراین طبیعی است که تجزیه و تحلیل تصویر را ابتدا از یک رزولوشن خشن شروع کنیم و بعد به تدریج رزولوشن را افزایش دهیم. چنین استراتژی خشن – به – نرمی در الگوریتم های شناسایی الگو سودمند است.

Burt برای محاسبه جزییات سیکنال در رزولوشن های مختلف یک ساختار هرمی را معرفی می کند. برای سادگی محاسبات، قدم رزولوشن α را معادل با 2 انتخاب کرد.جزییات در هر رزولوشن 2j بدین ترتیب محاسبه می شوند که تصویراولیه بافیلتری که از تفاوت دو فیلتر پایین گذر با پهنای باند متفاوت بدست می آید، فیلتر می شود و تصویر حاصل با نرخ 2j مجدداً نمونه برداری می شود، یعنی از هر 2j نمونه تصویر حاصل از یک نمونه انتخاب میشود. این عمل به ازاء تعداد محدودی از رزولوشن ها انجام می شود. دراین روش، تفاوت دو فیلتر پایین گذر گاوسی با پهنای باند متفاوت، تقریبی از لاپلاسین یک فیلتر گاوسی، که در واقع یک فیلتر میان گذر است را می دهد. جزییات ازرزولوشن های متفاوت در یک ساختار هرم گونه گرد هم آورده می شوند و به نام هرم لاپلاسی خوانده می شوند. یکی از مشکلات هرم لاپلاسی این است که اطلاعات در سطوح متفاوت با هم هبستگی دارند. هیچ مدل واضحی که بتواند این همبستگی را توصیف کند موجود نیست. بنابراین مشکل است که بدانیم آیا وجود شباهتی بین جزییات تصویر در دو رزولوشن متفاوت، به دلیل خاصیتی از خود تصویراست یا به دلیل افزونگی ذاتی موجود در نمایش. به علاوه نمایش چند روزلوشنی هرم لاپلاسی هیچ نوع حساسیتی به جهت های مکانی در طی فرآیند تجزیه ندارد. در مسائل شناسایی الگو مثل تمایز بافت، این رفتار مشابه در تمام جهت ها نامناسب است.

روشهای آنالیز کامپیوتری تصاویر ماموگرافی که مبتنی بر تکنیک های پردازش تصویر است در زمینه های مختلفی به کار گرفته شده است. از جمله به بهبود ویژگی های ماموگرافیک، آشکارسازی و محل یابی نواحی مشکوک و طبقه بندی خوشه های میکروکلسیفیکاسیون می توان اشاره کرد. در زمینه طبقه بندی میکروکلسیفیکاسیون ها کارهای زیادی صورت گرفته است.  Woods و گروهش ویژگی های شکلی را روی نواحی مشکوک تفکیک شده بدست آوردند تا بتوانند هر یک از میکروکلسیفیکاسیون ها را آشکار کنند. در این روش مقایسه ای بین روشهای پارامتریک استاندارد، شبکه هابی عصبی و روش  K نزدیکترین همسایه صورت گرفته است.  Shen و Rangayan برای آشکار سازی میکروکلسیفیکاسیون ها از ویژگی های شکل نظیر توصیف گرهای فوریه و سنجش هایی از میزان فشردگی استفاده کردند.  Nishikawa و گروهش از روشهای اتوماتیک پردازش سیگنال که مبتنی بر ویژگی های شکلی و چگالی میکروکلسیفیکاسیون ها بودند، استفاده کردند. آنها از ویژگی های مذکور برای آشکارسازی و طبقه بندی توده های پستانی و خوشه های میکروکلسیفیکاسیون استفاده کردند.

بسیاری از روشهای آنالیز کامپیوتری میکروکلسیفیکاسیون ها ابتدا ماموگرام را به نواحی باینری تقطیع می کنند که در تصویر تقطیع شده هر ناحیه نمایش دهنده یک میکروکلسیفیکاسیون است. سپس آنالیز ویژگی روی این تصاویر باینری صورت می گیرد. شکلها و اندازه های خوشه میکروکلسیفیکاسیون ها می توانند به صورت بسیار محتمل متناظر با عارضه سرطان باشند. تصمیم گیری در این مورد بر اساس سنجش های شخصی مثل اینکه آیا کلسیفیکاسیون ها نامنظم، خطی، کرمی شکل، شاخه شاخه،‌دایروی یا حلقوی هستند صورت می گیرد.  از آنجا که وضوح تصاویر ماموگرافی بسیار ضعیف است، نمی توان تعریف دقیقی را از نواحی شامل میکروکلسیفیکاسیون ها ارائه کرد و به همین دلیل عمل تقطیع برای استخراج چنین نواحی، قابل اعتماد و دقیق نیستند. بنابراین استفاده از ویژگی های شکلی میکروکلسیفیکاسیون های تقطیع شده به خصوص برای حالات مشکل  – برای – تشخیص ممکن است قابل اعتماد نباشد. با این وجود مقادیر سطوح خاکستری که مبین ساختار محلی خوشه های میکروکلسیفیکاسیون هستند نقش مهمی در تعبیر واقعی میکروکلسیفیکاسیون ها دارند.

 حالات مشکل برای  تشخیص عموماً شامل خوشه هایی از کلسیفیکاسیون ها است که شکل منطقی ندارند و مرزهای هر یک از میکروکلسیفیکاسیون های موجود در خوشه به خوبی تعریف شده نیست. ممکن است رادیولوژیست نتواند تصمیم تشخیصی دقیق در مورد  طبیعت بالینی میکروکلسیفیکاسیون های یک ناحیه بگیرد ولی معمولاً می تواند نواحی مشکوک را مشخص کند. الگوریتم های تقطیع اغلب نمی توانند اطلاعات دقیقی از مرز و شکل تک تک میکروکلسیفیکاسیون ها در اختیار گذارند.ویژگی های بافتی که مبنی بر هیستوگرام تصویر و ماتریس های هم وقوعی هستند، به صورت گستره ای برای نمایش جنبه های سراسری بافت مورد استفاده قرار گرفته اند. ولی این ویژگی ها به تنهایی برای توصیف کامل بافت و به ویژه خصوصیات آماری مرتبه دوم عموماً نمایش خوبی از ماهیت کلی بافت خشن بودن و کشیدگی را در اختیار می گذارند قادر نیستند که مشخصه های فرکانسی بافت را در نواحی محلی شناسایی کنند.

تئوری ویولت به عنوان چارچوبی مستقل در بسیاری از کاربردهای پردازش سیگنال به کار گرفته شده است.از آن جمله می توان به پردازش سیگنال چندرزولوشنی، بینایی ماشین، کدگذاری زیرباند و فشرده سازی صوت و تصویر اشاره کرد. تبدیل ویولت، تجزیه سیگنال روی یک مجموعه از توابع پایه است که به آنها ویولت گفته می شود. ویولت ها با اعمال عملیات انتقال و مقیاس بر روی یک الگو به نام ویولت مادر به دست می آیند.

 Lain  و  Fan رویکرد جدیدی را برای مشخص کردن بافتهای طبیعی در مقیاس های مختلف ارائه کردند. آنها با استفاده از تبدیل ویولت بسته ای تصویر داده شده را تجزیه می کردند. شاخص های انرژی و آنتروپی ویژگی های متفاوتی بودند که می توانستند مقیاسها و جهات متفاوت را ازا هم تمیز دهند. آنالیز ویولت درتصاویر ماموگرافی برای کاربردهای آشکارسازی میکروکلسیفیکاسیون ها ، بارزسازی کانتراست و تقطیع میکروکلسیفیکاسیون ها مورد استفاده قرار گرفته اند.

برای نمونه دیگر ، دکتر  Dhawan با استفاده از سه دسته ویژگی متشکل از ویژگی های آماری مرتبه دوم تصویر، انرژی و آنتروپی ویولت های بسته ای و ویژگی های آماری مرتبه اول تصویر تقطیع شده، سعی کرد که خوشه های خوش خیم و بدخیم را جدا کند. این ویژگی ها بر روی ناحیه مورد علاقه حساب می شوند. دسته اول ویژگی های متناظر با ویژگی های بافتی سراسری، دسته دوم متناظر با ویژگی های بافتی محلی ودسته سوم متناظر با خصوصیات آماری خود میکروکلسیفیکاسیون ها می باشد.

 

ویولت چیست ؟

در ابتدا کمی از ریاضیات و نحوه کار صحبت مینماییم . در آنالیز سیگنال، سیگنال f(t) اغلب توسط مجموع توابع پایه‌ای وزن دار نمایشی داده می‌شوند.  زمانیکه توابع پایه معین وثابت باشند، اطلاعات درباره سیگنال توسط ضرایب حمل می‌شوند. انتخاب توابع پایه سینوسی موجب نمایش فوریه می‌شود که اطلاعات را فقط در مورد رفتار سیگنال در حوزه فرکانس نشان می‌دهد. با انتخاب تابع ضربه، فقط اطلاعات در مورد رفتار سیگنال در حوزه‌ زمان نشان داده می‌شود. برای رسیدن به این هدف که تشخیص خوشه‌های کاذب می‌باشد، هیچ یک از دو نمایش بالا، ایده‌آل نمی‌باشند. ما دنبال نمایشی هستیم که شامل اطلاعات در مورد رفتار سیگنال در دو حوزه زمان و فرکانس باشد.

به خصوص ما نیاز داریم که محتویات فرکانسی سیگنال را در وقت مناسب و فوری بشناسیم. معهذا، رزولوشن در زمان و رزولوشن در فرکانس نمی‌تواند بصورت دلبخواه در زمان مساوی کوچک باشند, به این دلیل که حاصلضرب آنها دارای کران پایین بوسیله نامساوی شناخته شده‌ای مانند یک اصل عدم قطعیت می‌باشد:          

این نامساوی نشان می‌دهد که ما باید رزولوشن، زمان را برای رزولوشن فرکانس و بالعکس سبک و سنگین کنیم. بنابراین، این ممکن است که یک رزولوشن خوب برای زمان پیدا کنیم اگر ما راضی باشیم که رزولوشن فرکانس پائین داشته باشیم. بالعکس ما می‌توانیم رزولوشن خیلی خوبی در فرکانس پیدا کنیم اگر راضی شویم که رزولوشن زمان پایین داشته باشیم.

ازدیدگاه کاربردی رویدادهای فرکانس پایین معمولاً در زمان گسترده می‌شوند (غیر محلی non local) و رویدادهای فرکانس بالا معمولاً در زمان متمرکز هستند (محلی شده localized) . بنابراین، یک روش که ما می‌توانیم اطلاعات زمان ـ فرکانس خوبی از سیگنال بدست آوریم این است که توابع پایه‌ای طراحی کنیم که شبیه فیلترهای عبور باند (Band pass) آبشاری عمل کنند که مکرراً پنهای باند سیگنال را در نیمه، به دو نیم تقسیم می‌کند.

برای بدست آوردن بینشی جهت طراحی توابع پایه‌ای که به طور مناسب اطلاعات سیگنال را انتقال بدهد تابع ضربه را با تابع سینوسی مقایسه می کنیم. تابع ضربه نمی‌تواند اطلاعاتی در مورد رفتار سیگنال در حوزه فرکانس بدهد زیرا این تابع، پشتیبانی ضعیف و محدودی از فرکانس دارد. در سمت دیگر، تابع سینوسی نمی‌تواند اطلاعاتی در مورد رفتار سیگنال در حوزه زمان بدهد زیرا این تابع، پشتیبانی ضعیف و محدودی از زمان دارد. برای نمایش ویولت، توابع پایه در بازه (translated) (scaled) توسط برخی توابع مدل که ویولت مادر نامیده می‌شوند، مدرج و تبدیل می‌شوند.

Scaling، توسط ضرب کردن t با چند ضرب scale بدست می‌آید که اگر ما ضرب scale را توانی از 2 در نظر بگیریم، نتیجه زیر بدست می‌آید که این یک فیلتر اکتا و عبور باند می‌باشد که ما به دنبال آن بودیم…………..

امید داریم تا اینجای مطلب مورد توجه شما قرار گرفته باشد. جهت دریافت ادامه مطلب ،روشها و فرمولهای مربوطه و…. به صورت کامل  WORD + PDF  به لینک دریافت زیر مراجعه نمایید. این مطلب 88 صفحه و چهار فصل کامل میباشد. این مطلب بر اساس سیستم پایان نامه نویسی تهیه شده است. و  دارای 43 رفرنس مقالات و پایان نامه های معتبر میباشد.

 

برای دریافت pdf + word بر روی کلیدزیر ،کلیک نمایید . 

قیمت :25000تومان

25000 تومان خريد

۱۱ دیدگاه. بیرون رفتن و ثبت نظرجدید

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

Fill out this field
Fill out this field
لطفاً یک نشانی ایمیل معتبر بنویسید.
برای ادامه، شما باید با این شرایط موافقت کنید

یک + ده =

فهرست