طبقه بندی بافت ریه در تصاویر hrct از بیماران مبتلا به سیستیک فیبروز

توموگرافی کامپیوتری با رزولوشن بالا (hrct) یک تکنیک تصویربرداری پزشکی است که چشم انداز روشنی از بدن انسان به منظور بازرسی بافت ریه در اختیار قرار می‏دهد. این تکنیک اندازه‏گیری‏های دقیقی از الگوهای بافتی مربوط به بیماری سیستیک فیبروز فراهم می‏آورد. سیستیک فیبروز (cf) یک بیماری مزمن ارثی و شایعترین اختلال اتومازول مغلوب در سفید پوستان است که عمدتاً ریه‏ها و دستگاه گوارشی را تحت تأثیر قرار می‏دهد. در ریه‏ها بیماری سیستیک فیبروز با ایجاد آسیب‏های متنوع در مجرا و دیواره‏ی راه‏های هوایی و در پی آن عفونت و التهاب، خانواده‏ای از الگوهای بافتی را پدید می‏آورد. هدف از انجام این پروژه ارائه یک سیستم تشخیص به کمک کامپیوتر (cad) خودکار جهت تشخیص و شناسایی بافت سالم و ناسالم تصاویر hrct از جمعیت نسبتاً بالایی از بیماران cf است، تا از این طریق بتواند به تشخیص پزشک و درمان زود‏هنگام این بیماری یاری رساند. الگوریتم ارائه شده به منظور طبقه‏بندی الگوهای بافت ریه از سه مرحله ناحیه‏بندی، استخراج ویژگی و طبقه‏بندی تشکیل شده است. در مرحله اول بافت ریه از نواحی قفسه سینه جدا می‏گردد. در مرحله دوم سه تبدیل پردازشی نوین شامل موجک گابور دایره‏ای، کانتورلت و فریم‏های موجک گسسته برای تولید بردار ویژگی از نواحی مطلوب (roi) تعریف شده درون بافت ریه استفاده می‏شود. سپس از میان بردارهای ویژگی، با استفاده از روش انتخاب ترتیبی پیشرو و انتخاب ترتیبی پسرو بردارهای ویژگی مستقلی که قدرت تمایز بیشتری دارند، انتخاب می‏شوند. در مرحله آخر الگوریتم ماشین‏های بردار پشتیبان فازی (fsvm) برای طبقه‏بندی الگوها در دو گام اعمال می‏گردد. در این مطالعه سه الگوی بافتی عمده مرتبط با بیماری cf (نرمال، برونشکتازی و التهاب) از یک پایگاه داده شامل 1100 تصویر hrct مربوط به 22 بیمار مبتلا به cf انتخاب شده و طبقه‏بندی می‏گردند. آزمایشات بر روی دو مجموعه آزمون مختلف انجام می‏گیرد. در مجموعه آزمون اول roiهای استخراج شده توسط روش پیشنهادی طبقه‏بندی می‏شوند و در مجموعه آزمون دوم الگوریتم طبقه‏بندی روی کل تصویر hrct اعمال می‏گردد. نتایج حاصل از این آزمایش‏ها نشان می‏دهد که روش پیشنهادی در مشخصه‏یابی بافت ریه با دقت کلی 8/77% شامل دقت 5/93% در گام اول و دقت 25/84% در گام دوم، نسبت به مطالعه مشابه انجام شده در این زمینه با دقت 6/72% از عملکرد مطلوب‏تری برخوردار است.