۱۷۵۳۳پ
per
بخش‌بندی و اندازه‌گیری حجم ضایعات مولتیپل اسکلروز (MS) بر روی تصاویرMRI
/ثمین کوچکی بادلانی
: مهندسی برق و کامپیوتر
، ۱۳۹۶
، میرزائی
چاپی
کارشناسی ارشد
مهندسی پزشکی گرایش بیوالکتریک
۱۳۹۶/۰۶/۲۰
تبریز
بیماری مولتیپل اسکلروز(MS) ، یک بیماری خودایمنی است که با حمله به بافت‌های اطراف فیبرهای عصبی) آکسون(، میلین را که حامل انتقال پیام‌ها در طول رشته‌های عصبی است، تخریب می‌کند و باعث ایجاد نقاط سفیدی به‌نام پلاک بر روی اعصاب می‌شود .تشخیص به‌موقع و زودهنگام بیماری MS و به‌دست آوردن اندازه پلاک‌ها در درمان این بیماری، بسیار مؤثر هست و می‌توان روند پیشرفت آن‌ها را نیز کنترل کرد .تصویربرداری تشدید مغناطیسی(MRI) ، به‌خاطر دقت بالا و قدرت تشخیص عالی بافت‌های نرم از یکدیگر، در به تصویر کشاندن بافت‌های غیرطبیعی مغز انسان موفق بوده است بنابراین یکی از مهم‌ترین راه‌ها در تشخیص و پیگیری پیشرفت بیماری MS می‌باشد .با این روش می‌توان از وجود پلاک‌های جدید و یا افزایش اندازه و تعداد آن‌ها در بیمار مطلع شد اما بررسی و تفسیر تعداد بسیار زیادی از تصاویرMRI ، کاری بسیار دشوار و زمان‌بر، برای پزشکان و متخصصان بوده و در این راه، احتمال وقوع خطاهای انسانی بسیار زیاد است .همچنین بررسی میزان پیشرفت بیماری و مقایسه دو تصویربرداری MRI بسیار دشوار است .لذا امروزه نیاز به استفاده از روش‌هایی که بتوانند به‌صورت خودکار به جداسازی ضایعات مغزی بیماری MS بپردازد، بسیار احساس می‌شود و با پردازش تصاویر پزشکی می‌توان کمک شایانی به تسریع و تسهیل تقسیم‌بندی و تشخیص ضایعات MS کرد و همچنین تغییرات ضایعات MS را بررسی کرد که این تغییرات دارای اهمیت خاصی است . در این پژوهش، یک روش جدید برای تقسیم خودکار ضایعات مولتیپل اسکلروز (MS) از تصویربرداری تشدید مغناطیسی مغز (MRI) پیشنهاد شده است .در این روش، با استفاده از ویژگی‌های بافتی، به توصیف بلوک‌های هر اسلایس MRI همراه با ویژگی‌های محلی پرداخته می‌شود .پس از استخراج ویژگی‌ها و افزایش مقدار آن‌ها با توجه به شدت ضایعات، از ماشین بردار پشتیبان (SVM) آموزش‌داده‌شده، برای جداسازی بلوک‌هایی با ضایعات MS و بلوک‌هایی با ضایعه غیر MS مبتنی بر ویژگی‌های بافت با ویژگی‌های دیگر استفاده می‌شود .تقسیم‌بندی بلوک‌های اسلایس MRI برای ارائه یک تقسیم‌بندی اولیه مورد استفاده قرار می‌گیرد .سپس با استفاده از آستانه‌گیری و عملیات مورفولوژی، یک پس‌پردازش جامعی برای بهبود و کیفیت تقسیم‌بندی اولیه استفاده می‌شود .سهم اصلی روش پیشنهادشده در این پایان‌نامه، استفاده از ویژگی‌های بافتی و شدت پلاک‌ها برای تشخیص ضایعات MS در یک فرآیند کاملا خودکار بدون نیاز به تعریف مناطق مورد علاقه (ROI) به‌صورت دستی است .علاوه بر این، مدل پس‌پردازش برای بهبود کیفیت تقسیم‌بندی، برای نتایج هر روش تقسیم‌بندی MS استفاده می‌شود .قابل ذکر است که نوآوری‌های انجام‌شده در این پایان‌نامه، یکسان‌سازی شدت همه تصاویر و حذف جمجمه از مغز به‌خاطر یکسان بودن شدت ضایعات جمجمه و شدت ضایعات و همچنین شرطگذاری روی شدت ضایعات بلوک‌ها می‌باشد .این عمل باعث می‌شود تا علاوه بر تمایز بین ویژگی‌های بافتی، تمایز بیشتری بین بلوک‌های MS و بلوک‌های غیر MS ایجاد شود و الگوریتم دسته‌بندی، جداسازی بهتری بین ضایعات و بافت انجام دهد .سپس، با استفاده از آستانه‌گیری و عملیات مورفولوژی، تقسیم‌بندی بهینه‌ای از ضایعات را به‌دست خواهیم آورد .این تکنیک با استفاده از ۱۰ مجموعه داده MRI واقعی مورد ارزیابی قرار گرفت .نتایج میانگین برای ارزیابی عملکرد روش ارائه‌شده، ۶۴/۹۲ برای شاخص تشابه، ۸۷/۸۹ برای حساسیت و ۳۲/۹۶ برای دقت تشخیص ضایعه، تشخیص داده شده است .از آنجا که اندازه ضایعات نیز می‌تواند در تشخیص و کنترل روند بیماری کمک کند، در این پژوهش بعد از تشخیص ضایعات، اندازه آن‌ها نیز به‌دست آمده است .این نتایج نشان می‌دهد که روش پیشنهادی در تشخیص ضایعات MS از MRI در عمل بالینی مفید خواهد بود .به‌طور خلاصه، هدف نهایی این تحقیق، استفاده از یک رویکرد تقسیم‌بندی خودکار ضایعه و اندازه آن هست به‌طوری که وابستگی به ناظر و همچنین زمان مورد نیاز برای ارجاع به متخصص را کاهش دهد و دقت و صحت تقسیم‌بندی و تشخیص را بالا ببرد .
Multiple sclerosis (MS) is an autoimmune disease that, by attacking the tissues around the fibers of the nerves (axon), the myelin that transmits messages along the nerves, causes destruction and causes a white spot in the name of the plaque on the nerve.Timely and primly diagnosis of MS disease and the acquisition of eyelid size in the treatment of this disease is very useful and can also control their progression. Magnetic resonance imaging (MRI), for high precision and excellent detection of soft tissue from each other, in depicting the human brain abnormal tissue has been successful; So one of the most important ways to diagnose and track the progression of the disease is MS. This way there can be new or increasing the size and number of plaques was informed of the patient; But examining and interpreting a large number of MRI images is a very difficult and time-consuming task for doctors and professionals, and the probability of human error is very high. It is also difficult to assess the progression of the disease and compare two MRI imaging. So today require the use of methods that can automatically separate brain lesions of MS pay, so there is a medical image processing can help to accelerate and facilitate the classification and diagnosis of MS as well as changes in MS lesions examined the changes is of particular importance. In this study, a new method for the automatic division of multiple sclerosis (MS) lesions from magnetic resonance imaging (MRI) is proposed. In this method, using the properties of the tissue, describes the blocks of each slice MRI with local features. After extracting the properties and increasing their amount due to the severity of the lesions, the SVM training was used to isolate blocks with MS lesions and blocks with non-MS lesions based on tissue features with other characteristics. The split MRI blocks are used to provide an initial split. Then, using thresholds and morphological operations, a comprehensive post-processing is used to improve the quality of the primary segmentation. The main contribution of the proposed method to this paper is the use of tissue features and the intensity of plaques to detect MS lesions in a fully automated process without the need to define the desired area (ROI) manually. In addition, the post-processing to improve the quality division, for the results of each division MS method is used. It should be noted that the innovations performed in this thesis, the uniformity of the intensity of all images and the removal of the skull from the brain due to the uniformity of the severity of lesions and the severity of lesions As well as a bet on the severity of block lesions. This action, in addition to distinguishing between tissue features, creates a greater distinction between MS blocks and non-MS blocks, and the classification algorithm performs a better separation between lesions and tissue. This action, in addition to distinguishing between tissue features, creates a greater distinction between MS blocks and non-MS blocks, and the classification algorithm performs a better separation between lesions and tissue. This technique was evaluated using 10 true MRI datasets. The average results for the performance evaluation of the proposed method are 92.64 for the similarity index, 89.87 for sensitivity and 96.32 for the accuracy of the diagnosis of the lesion. Since the size of the lesions can also help to diagnose and control the disease, in this research, after the detection of lesions, their size is also obtained. These results suggest that the proposed method is useful in detecting MS lesions from MRI in clinical practice. In summary, the ultimate goal of this study is to use an auto-categorical approach to the lesion and its size; It reduces the dependency of the observer as well as the time it takes to refer to the specialist and increase the accuracy of the division and diagnosis
کوچکی بادلانی، ثمین
مشگینی، سعید، استاد راهنما
یوسفی رضایی، توحید، استاد مشاور
نمایه‌سازی قبلی
