روش جديد براي آشكارسازي سريع تومور مغز با استفاده از ضريب شباهت Bhattacharyya، تبديلات رنگ و شبكه عصبي

A new method for brain tumor detection using the Bhattacharyya similarity coefficient, color conversions and neural network

زمینه و هدف: تصاویر تشدید مغناطیسی به‌دلیل قدرت تفكیك‌پذیری خیلی خوبی كه برای بافت‌های نرم و غیر‌‌نرم در بدن انسان دارد، در موارد بسیار زیادی برای كمك در تشخیص و درمان تومور مغز مورد استفاده قرار می‌گیرد. روش بررسی: روش پیشنهادی مبتنی بر یك روش بدون ناظر است كه ناحیه تومور را با آنالیز شباهت دو نیمكره كشف می‌كند. این آنالیز، تصویر یك تابع هدف كه مبتنی بر ضریب Bhattacharyya است را محاسبه می‌كند كه در مرحله بعد برای كشف ناحیه تومور یا بخشی از آن مورد استفاده قرار می‌گیرد. در این مرحله برای كم كردن تنوع رنگ، تصویر خاكستری مغز سگمنت شده را رنگی كرده و دوباره تبدیل به خاكستری می‌كنیم. سپس با استفاده از شبكه عصبی Self-organizing map (SOM) تصویر مغز سگمنت شده را رنگ‌آمیزی كرده و در نهایت با تطابق ناحیه كشف‌شده و تصویر رنگی، تومور آشكار می‌شود. این روش به‌عنوان یك روش پیشنهادی برای آنالیز تصاویر و كشف تومور مغزی، در دانشگاه بوعلی‌سینا همدان در بهمن ماه سال 1392 ارایه شد. یافته‌ها: نتایج حاصل از این روش برای 30 بیمار كه به‌صورت تصادفی از بانك داده‌های مركز تصویر‌برداری MRI همدان انتخاب گردیده و با تقسیم‌بندی دستی كه توسط متخصصین انجام‌ گردید، مقایسه شده است. روش پیشنهادی در معیار جاكارد (Jaccard Similarity Inde, JSI) دقتی در حدود 95% را از خود نشان داد. نتیجه‌گیری: نتایج آزمایش‌ها نشان داد كه استفاده از آشكارسازی سریع تومور مغز با استفاده از ضریب شباهت Bhattacharyya برای پردازش تصاویر تشدید مغناطیسی می‌تواند نتایج پذیرفتنی را برای جدا‌سازی خودكار تومور از بافت‌های طبیعی مغز ارایه دهد، در حدی كه می‌توان به عملكرد این روش در كاربرد عملی با ‌اطمینان زیادی اتكا كرد.

Background: Magnetic resonance imaging (MRI) is widely applied for examination and diagnosis of brain tumors based on its advantages of high resolution in detecting the soft tissues and especially of its harmless radiation damages to human bodies. The goal of the processing of images is automatic segmentation of brain edema and tumors, in different dimensions of the magnetic resonance images. Methods: The proposed method is based on the unsupervised method which discovers the tumor region, if there is any, by analyzing the similarities between two hemispheres and computes the image size of the goal function based on Bhattacharyya coefficient which is used in the next stage to detect the tumor region or some part of it. In this stage, for reducing the color variation, the gray brain image is segmented, then it is turned to gray again. The self-organizing map (SOM) neural network is used the segmented brain image is colored and finally the tumor is detected by matching the detected region and the colored image. This method is proposed to analyze MRI images for discovering brain tumors, and done in Bu Ali Sina University, Hamedan, Iran, in 2014. Results: The results for 30 randomly selected images from data bank of MRI center in Hamedan was compared with manually segmentation of experts. The results showed that, our proposed method had the accuracy of more than 94% at Jaccard similarity index (JSI), 97% at Dice similarity score (DSS), and 98% and 99% at two measures of specificity and sensitivity. Conclusion: The experimental results showed that it was satisfactory and can be used in automatic separation of tumor from normal brain tissues and therefore it can be used in practical applications. The results showed that the use of SOM neural network to classify useful magnetic resonance imaging of the brain and demonstrated a good performance.