دسته‌بندي تومورهاي مغزي براساس تجزيه مولفه‌هاي اساسي تنك ساختار‌يافته و الگوريتم فاكتورگيري ماتريس غير‌منفي تنك

Classification of Brain Tumor Using Sparse Non-negative Matrix Factorization and Structured Sparse Principal Component Analysis

تعيين نوع تومور مغزي براساس پردازش تصاوير ام‌آرآي در كنار دانش پزشكي مي‌تواند به تصميم‌گيري درستي در مورد وضعيت بيمار منجر شود. در اين راستا تشخيص خوش‌خيم يا بدخيم بودن تومور و انتخاب روش درماني بر اين اساس، به دليل لزوم بررسي دقيق جزئيات بافت تومور و امكان بروز خطا مي‌تواند به يك مبحث چالش برانگيز تبديل شود. در اين صورت پرداختن به اين مسئله به كمك تكنيك‌هاي پردازش تصوير مي‌تواند اهميت بسياري داشته باشد. در اين مقاله، تشخيص مناسب نوع تومور به كمك ويژگي‌هاي بافتي و آماري تصوير و انتخاب بهترين بردار ويژگي صورت مي‌گيرد. سپس از الگوريتم تحليل مولفه‌هاي اساسي تنك ساختار‌يافته به منظور كاهش بُعد اين دسته ويژگي‌ها استفاده مي‌شود. در ادامه بردارهاي ويژگي حاصل به منظور آموزش مدل‌هاي جامع بازنمايي‌كننده ساختار داده مربوط به هر نوع تومور مغزي به كمك الگوريتم فاكتورگيري ماتريس غيرمنفي تنك مورد استفاده قرار مي‌گيرند. دسته‌بندي داده‌ها در روش پيشنهادي براساس مقدار نرخ انرژي محاسبه شده براي ضرايب تنك صورت مي‌گيرد. همچنين نتايج اين دسته‌بندي با نتايج حاصل از طبقه‌بندهاي مبتني‌بر شبكه عصبي و ماشين بردار پشتيبان مقايسه گرديده است. نتايج شبيه‌سازي‌ها نشان مي‌دهدكه روش پيشنهادي مبتني‌بر ويژگي‌هاي تركيبي آماري/بافتي قادر به دسته‌بندي انواع تومور مغزي با دقت بالا خواهد بود. كليدواژه‌ها

Classification of brain tumors using MRI images along with medical knowledge can lead to proper decision-making on the patient's condition. Also, classification of benign or malignant tumors is one of the challenging issues due to the need for detailed analysis of tumor tissue. Therefore, addressing this field using image processing techniques can be very important. In this paper, various types of texture-based and statistical-based features are used to determine the type of brain tumor and different types of features are applied in this classification procedure. Sparse non-negative matrix factorization algorithm is used to learn the over-complete models based on the characteristics of each data category. Also, sparse structured principal component analysis algorithm is applied to reduce the dimension of training data. The classification process is carried out based on the calculated energy of the sparse coefficients. Also, the results of this categorization are compared with the results of the classification based on the neural network and support vector machine. The simulation results show that the proposed method based on the selected combinational features and learning the over-complete dictionaries can be able to classify the types of brain tumors precisely.