تهیه نماد کروموزمی از تصاویر کروموزوم های انسان با کمک روش حاشیه نویسی تصاویر نیمه نظارتی مبتنی بر ناحیه

تهیه نماد کروموزومی فرآیند آرایش تصاویر کروموزومی به یک فرم استاندارد جهت تشخیص بیماری ها و ناهنجاری های کروموزومی است. رویکرد تهیه نماد کروموزومی خودکار یک ابزار کمکی به متخصصان ژنتیکی است که در راستای صرفه جویی در زمان و متخصصان و حل مشکلات تهیه دستی نماد کروموزومی طراحی می شود. انجام این فرآیند بصورت سنتی در آزمایشگاه های پزشکی ژنتیکی زمان طولانی می برد، بطور مثال هر تست نماد کروموزومی حدود 3 روز طول می کشد. انواع مختلفی از تصاویر کروموزومی در اشکالی مانند g-banding، q-banding و m-fish در آزمایشگاه های ژنتیکی برداشته می شوند. معمولا کروموزوم ها در تصاویر کروموزومی بصورت تصادفی ریخته می شود، همچنین این کروموزوم ها مشکلاتی از جمله خمیدگی، نویز، چسبندگی و روی هم افتادگی می توانند داشته باشند. همه این مشکلات کار دسته بندی تصاویر کروموزومی را سختر و پیچیده تر می کند. این پایان نامه یک رویکرد خودکار تهیه نماد کروموزومی را ارائه می دهد، که بر روی دو گام استخراج ویژگی و دسته بندی تمرکز بیشتری می کند، بطور ویژه قصد داریم یک روش نیمه نظارتی جهت دسته بندی تصاویر کروموزومی اعمال کنیم، به منظور محقق سازی این دو هدف، اول تعامل یا حالت هایی را که تعداد ویژگی های برچسب دار کم است، در نظر می گیریم. دوم، بر عهده گرفتن ناهنجاری های کروموزومی که از حالت های سرطانی، جهش ها یا هر عامل بیرونی ناشی می شوند در نظر گرفته خواهند شد. الگوریتم پیشنهادی یادگیری مشارکتی مبتنی بر دو دیدگاه طرح شده است. در این راستا از ماشین بردار پشتیبان بعنوان یادگیرنده پایه استفاده شده است. الگوریتم یادگیری مشارکتی به صورت مستمر مراحل زیر را انجام می دهد: 1) دو دسته بند ماشین بردار پشتیبان بر روی هر دیدگاه از داده های برچسب دار جداگانه یاد گیری را انجام می دهد. 2) مقدار مشخص از داده های بدون برچسب دسته بندی، و برچسب خروجی را با بیشترین اعتماد در هر تکرار انتخاب می کنیم. 3) داده های انتخاب شده به مجموعه ی برچسب دار را اضافه کنید. 4) تکرار کنید تا زمانی که داده های بدون برچسب تمام شود، دسته بند ها همدیگر را یاد می دهند. الگوریتم پیشنهادی بر روی دو مجموعه ی داده های تصاویر کروموزومی g-banding و تصاویر q-banding امتحان شده است. که مجموعه داده اول کپنهاگن است، و دومی ایتالیا که از آزمایشگاه پردازش تصویر در دانشگاه پادوا فراهم شده است. خروجی دقت تشخیص نهایی 97.3% برای مجموعه ی کپنهاگن و 98.5% برای مجموعه ی ایتالیا، نتایج بدست آمده نشان می دهد که الگوریتم پیشنهادی دارای کارایی مناسبی در مقایسه با روش های برتر دیگر در این زمینه می باشد