به‌كارگيري يادگيري منيفلد براي تحليل تصاوير اكوكارديوگرافي

Analysis of Echocardiography Images using Manifold Learning

روش‌هاي كاهش بُعد غيرخطي، در دهه اخير بار ديگر مورد توجه محافل علمي قرار گرفته‌اند. با تمركز محققان علم كامپيوتر بر اين مسيله، در چند سال اخير مجموعه‌اي از ابزارها به‌وجود آمده‌اند كه كاربردهاي آنها در داده كاوي، پردازش تصوير، طبقه‌بندي، تحليل و نماياندن دادگان رو به افزايش است. در اين ميان يادگيري منيفلد ابزاري قدرتمند براي كاهش بعد غيرخطي دادگان است. پارامترهاي ذاتي سيستم كه عامل اصلي تمايز دادگان از يكديگرند با استفاده از اين ابزار شناسايي شده و كل مجموعه بر روي منيفلدي كه بيان‌كننده ارتباط واقعي پارامترهاست، قرار مي‌گيرد. بدين ترتيب ارتباط بين دادگان در فضايي با بعد كمتر بيان مي‌شود. يكي از كاربردهاي موفق اين روش‌ها در تحليل تصاوير است. با اين ديدگاه فرض مي‌شود هر تصوير داده‌اي در بعد بالا بوده كه هر پيكسل يك بعد از فضا را اشغال مي‌كند. درصورتي‌كه اين مجموعه تصاوير از شييي خاص اخذ شده باشند كه براساس پارامترهاي كمّي با يكديگر تفاوت دارند؛ مي‌توان با استفاده از ابزارهاي مناسب يادگيري منيفلد، اين مجموعه تصاوير را در فضايي با بعد كمتر به گونه‌اي نگاشت كرد كه ارتباط ذاتي پارامترها حفظ شود. در اين تحقيق چگونگي به‌كارگيري اين ابزار براي تحليل مجموعه تصاوير اكوكارديوگرافي مورد بررسي قرار مي‌گيرد. از آنجا كه تصاوير اكوكارديوگرافي اخذ شده از يك بيمار براساس پارامترهاي كمّي از جمله حركت تناوبي قلب و نويز متفاوت هستند، با استفاده از الگوريتم مناسب يادگيري منيفلد، مجموعه تصاوير در فضاي دوبعدي فرونشانده مي‌شوند و ارتباط بين فريم‌هاي متوالي در فضاي جديد تعيين مي‌شود. در اين تحقيق با استفاده از دو الگوريتم LLE و ISOMAP، پس از نگاشت چند دوره تناوب تصاوير در فضاي دوبعدي، تصاوير مشابه در كنار يكديگر قرار گرفته و رابطه بين تصاوير بر اساس خاصيت تناوبي ضربان قلب نمايان مي‌شود. نتايج حاكي از ضعف الگوريتم ISOMAP و قدرت الگوريتم LLE در حفظ ارتباط واقعي تصاوير اكوكارديوگرافي در فضاي دوبعدي است. در نهايت، كاهش نويز تصاوير به صورت ميانگين‌گيري تصاوير مشابه بر روي منيفلد حاصل از الگوريتم LLE به عنوان يك كاربرد مفيد معرفي مي‌شود.

Dimensionality reduction is an important task in machine learning, to simplify data mining, image processing, classification and visualization of high-dimensional data by mitigating undesired properties of high-dimensional spaces. Manifold learning is a relatively new approach to nonlinear dimensionality reduction. Algorithms for manifold learning are based on the intuition that the dimensionality of many data sets may be artificially high and each data point can be described as a function of only a few underlying parameters. Using this tool, intrinsic parameters of the system database, which are main distinction factors of data sets, are recognized and all of them lie on a manifold that shows the real relationship of parameters. One of the successful applications of these methods is in image analysis field. By this approach, each image is a data in high dimensional space that the pixels are its dimensions. Because echocardiography images obtained from a patient are different in quantitative parameters such as heartbeat periodic motion and noise, image sets are reduced to two-dimensional space by a proper manifold learning. In this article, after mapping echocardiography images in two-dimensional space, by using LLE and Isomap algorithms, similar images placed side by side and the relationships between the images according to the cyclic property of heartbeat became evident. The Results showed the weakness of Isomap algorithm and power of LLE algorithm in preserving the relation between consecutive frames. De-noising is an important application which extracted from this research.