کاربرد نقشه های خود سازمانده در آنالیز تصاویر زیست پزشکی

تشخیص سرطان، از جمله موارد چالش برانگیزی است که در دهه ی اخیر توجه زیادی را به خود جلب کرده است. با توجه به مشکلات ساخت یک مدل طبقه بندی دقیق، روش های مختلف پردازش و آنالیز تصاویر پزشکی از جمله روش های استخراج ویژگی به همراه روش های یادگیری ماشین از قبیل شبکه های عصبی مصنوعی مورد بررسی و تحقیق بسیاری از پژوهشگران قرار گرفته است. ویژگی به عنوان مشخصه ای از تصویر، می تواند شامل ویژگی خاصی از تصویر یا ویژگی عمومی از آن همانند رنگ، شکل و بافت باشد. الگوریتم های مختلفی برای استخراج ویژگی وجود دارد که از آن جمله می توان به روش های ساختاری، آماری و مبتنی بر تبدیل اشاره کرد. در این مطالعه، تمرکز بر روی روش های آماری و محاسبه ماتریس های هم رخدادی تعمیم یافته برای تصاویر رنگی است. واضح است که استخراج حداکثر اطلاعات از تصاویر بدست آمده از بافت های سالم و ناسالم، از اهمیت بالایی برخوردار است. اطلاعات استخراج شده از انواع تصاویر بافت های بیولوژیکی، برای طبقه بندی توسط روش های یادگیری ماشین مورد استفاده قرار می گیرند. نقشه های خودسازمانده با توجه به توانایی بالا جهت طبقه بندی تصاویر در این پژوهش مورد بررسی قرار گرفته است. نتایج به دست آمده حاکی از آن است که روش ماتریس هم رخدادی تعمیم یافته برای استخراج ویژگی از تصاویر رنگی و روش های یادگیری نقشه های خودسازمانده نظارتی جهت طبقه بندی انواع بدخیمی ها کارا هستند. برای به دست آوردن کارایی مدل، از روش اعتبارسنجی متقاطع استفاده شده است. یکی از مجموعه داده های مورد بررسی در این مطالعه، تصاویر بافت های بیولوژیکی غدد لنفاوی است که شامل 374 تصویر رنگی با ابعاد ????×1040 پیکسل، نشان دهنده سه نوع بافت مربوط به غده سرطانی بافت های لنفاوی در بدن است. بهترین نتیجه برای این مجموعه داده برای ترکیب مولفه های رنگی rg برابر با ?/ 92 درصد حاصل شده است. مجموعه داده دیگر، ?? نمونه از تصاویر لکه های خونی با ابعاد ???×??? پیکسل، شامل ?? شخص بیمار مبتلا به تالاسمی و ?? شخص سالم است که توسط گروهی در دانشکده بیوفیزیک دانشگاه تحصیلات تکمیلی زنجان جمع آوری شده است. همچنین اطلاعاتی از پارامترهای خونی ?? نمونه اندازه گیری شده است و علاوه بر طبقه بندی نمونه ها بر اساس بافت های سالم و ناسالم که بهترین نتیجه برای ترکیب مولفه های rg برابر با ?/92 درصد حاصل شده، طبقه بندی بر اساس میزان پارامترهای خونی همانند hgb نیز انجام شده و نتایج خوبی حاصل شده است.