قطعه‌بندي تومور مغزي در تصاوير MRI با استفاده از روش‌هاي حوزه تبديل

Brain tumor segmentation in MRI images using conversion techniques

تكنيك‌ها قطعه‌بندي تصوير به طور گسترده اي در تصويربرداري پزشكي براي جداسازي ناحيه همگن استفاده مي شوند. يكي از چالش هاي بزرگ در اين زمينه رزولوشن بسيار پايين تصاوير و تضاد رنگ نامناسب است. علاوه بر اين، درصورتي‌كه عواملي نظير نويز در تصوير وجود داشته باشد، قطعه‌بندي تصوير سخت تر خواهد شد و تاكنون هيچ روش قطعه‌بندي تصوير كاملي كه بتواند نتايج رضايت‌بخش براي كاربردهاي تصويربرداري مانند MRI مغز، تشخيص سرطان مغز و غيره ايجاد كند، ارائه نشده است. در اين پايان‌نامه، روشي براي قطعه‌بندي تومور مغزي در تصاوير MRI با استفاده از روش‌هاي حوزه تبديل و كانتورلت ارائه شده است. الگوريتم پيشنهادي داراي مراحلي به اين شرح مي‌باشد: ابتدا يك نمايش چند رزولوشن از تصوير ورودي را با استفاده از تبديل كانتورلت ايجاد مي‌كند. سپس يك بردار 8 بعدي ويژگي براي هر پيكسل با استفاده از اينتر رزولوشن و اينترارزولوشن داده‌ها استخراج مي‌شود. ابعاد بردار ويژگي نهايي با استفاده از آناليز مؤلفه‌هاي پايه كاهش داده مي‌شود. در نهايت بردارهاي ويژگي در دسته‌هاي گسسته قطعه‌بندي مي‌شوند. روش پيشنهادي بر روي تصاوير مغز و در نرم‌افزار متلب پياده‌سازي شده است. حداكثر تعداد سطح تجزيه و تعداد زيرباند در هر سطح تجزيه در تبديل كانتورلت تصوير MRI تنها پارامترهايي است كه بدون دخالت يا هرگونه مدل‌سازي داده‌ها، نياز به انتخاب شدن دارد. الگوريتم پيشنهادي تقريباً براي زيرباندهاي بيشتر از 8 و سطوح تجزيه بيشتر از 3 يكسان عمل مي‌كند. الگوريتم پيشنهادي در محاسبات ساده است و درعين‌حال در قطعه‌بندي تومور مغزي در تصاوير MRI كارا است. استفاده از زيرباندهاي 8 گانه برخلاف تبديل موجك متداول كه تنها در سه جهت ضرايب استخراج مي‌شوند به ما كمك مي‌كند كه جزئيات جهت‌دار تصوير را نيز بهتر شناسايي كنيم همچنين استفاده از 8 ويژگي جهت‌دار براي هر پيكسل موجب مي‌شود كه جزئيات استخراج‌شده در زيرباندهاي مختلف با توجه به جهت مشابه تقويت شوند و از همبستگي زير باندها حداكثر استفاده به عمل آيد. روش پيشنهادي مشكل روي هم افتادگي ناحيه‌اي روش كانتور فعال را ندارد و مي‌تواند نواحي داخلي ناحيه‌هاي بزرگ را تشخيص دهد. دقت قطعه بندي الگوريتم پيشنهادي با كانتورلت بدون نمونه برداري مجموعاً كارايي را نسبت به الگوريتم ادغام 3.70 درصد و نسبت به الگوريتم استخراج ويژگي دو بعدي از تبديل موجك 2.18 درصد، عملكرد بهتري داشته است.

The image segmentation techniques are widely used in medical imaging to separate the homogeneous region. One of the big challenges in this regard is the very low resolution of images and the inappropriate color contrast. Additionally, if there are factors such as noise in the image, image segmentation will become more difficult and so far no complete image segmentation technique that can produce satisfactory results for imaging applications such as brain MRI, brain cancer detection, and so on, have been presented. In this thesis, a method for segmentation of the brain tumor in MRI images using transformation and contourlet field methods has been presented. The suggested algorithm has the following steps: First, it creates a multi-resolution display of the input image using the contourlet transform. Then an 8-dimensional vector of feature for each pixel is extracted by using the inter-resolution and intra- resolution of data. The final feature vector dimensions is reduced by using the analysis of the basic components. Finally, the feature vectors are segmented into discrete categories. The proposed method is implemented on brain images and in MATLAB software. The maximum number of decomposition level and number of sub-bands per decomposition level in the contourlet transform of MRI image are the only parameters that need to be selected without interference or any modeling of the data. The suggested algorithm almost works the same for sub-bands greater than 8 and decomposition levels greater than 3. The proposed algorithm is simple in calculations and it is efficient in segmentation of the brain tumor in MRI images at the same time. The use of 8 sub-bands, in contrast to common wavelet transform, which are extracted only in three directions of coefficient, helps us to identify the directional details of the image better. Also, the use of 8 directional feature for each pixel causes that the extracted details in different sub-bands be reinforced according to the same direction and the correlation of the sub-bands has been maximally used. The proposed method does not have the regional overlapping problem of the active contour method and can detect the internal regions of large areas. The contourlet sampling method has improved overall performance compared to other methods presented in this study.