تشخیص بیماری کم خونی فقرآهن برمبنای ویژگی های ریخت شناسی با استفاده از روش های پردازش تصویر

بیماری کم خونی فقرآهن در اثر کمبود آهن در بدن انسان ایجاد می شود. آهن موجود در بدن به ساخت و ساز هموگلوبین کمک می کند. درنتیجه کمبود آهن متعاقباً موجب کمبود پروتئین هموگلوبین خون می گردد. با کاهش میزان هموگلوبین خون، تعداد سلول های قرمز خون کمتر شده، اندازه این سلولها نسبت به سلولهای خونی سالم کوچکتر می شود و همچنین شکل کلی سلولهای قرمز خون تغییر می یابد (سلول های پویکیلوسایت poikilocyte). روش پزشکی معمول که به تشخیص بیماری فقرآهن می پردازد، بر مبنای آزمایش کامل خون (cbc) صورت می گیرد. در این پایان نامه، الگوریتمی خودکار به منظور تشخیص بیماری فقرآهن پیشنهاد شده است. روش پیشنهادی دارای صحت و دقت مناسبی است و می تواند به صورت موازی با آزمایش cbc انجام پذیرد. اساس الگوریتم ارائه شده در این پایان نامه، تفاوت در تعداد سلول های پویکیلوسایت در نمونه های خون سالم و مبتلا به فقرآهن است. روش خودکار تشخیص بیماری فقرآهن شامل 6 گام است. این گام ها عبارتند از: 1) گردآوری پایگاه داده 2) روش های پیش پردازش 3) باینری سازی و بخش بندی 4) استخراج ویژگی 5) طبقه بندی سلول های پویکیلوسایت و 6)تشخیص نمونه های خون فقرآهن. در گام نخست، پایگاه داده ای مشتمل بر 100 نمونه خون محیطی سالم و مبتلا به فقرآهن گردآوری شده و توسط میکروسکوپ مجهز به دوربین دیجیتال از این نمونه ها تصویربرداری شده است. در گام پیش پردازش، کیفیت تصاویر سلولی توسط روش همسان سازی هیستوگرام افزایش یافته و هم چنین سلول های ناقص موجود در حاشیه به وسیله برچسب گذاری ناحیه حذف شده اند. به منظور بخش بندی سلول ها از روش باینری سازی مبتنی بر آستانه گذاری استفاده شده است. روش هایی از قبیل سائوولا، نایبلک، باینری سازی بر مبنای هیستوگرام و اوتسو مورد ارزیابی قرار گرفته اند و از این میان بهترین روش (اوتسوی محلی) به عنوان روش نهایی بخش بندی تصاویر سلولی انتخاب شده است. پس از انجام عملیات بخش بندی، تعداد 33 ویژگی مناسب برای طبقه بندی سه دسته از سلول های پویکیلوسایت (سلول های اشکی شکل، بیضوی و شیستوسیت) استخراج شده است. با استفاده از ویژگی های استخراجی در طبقه بندی کننده های ماشین بردار پشتیبان (svm)، شبکه عصبی(neural network) ، درخت تصمیم گیری (dt) و k-امین نزدیک ترین همسایه (knn) به طبقه بندی و شمارش سلول های پویکیلوسایت مذکور پرداخته شده است. پنج دسته باقی مانده از سلول های پویکیلوسایت (سلول های هایپوکروم، استومتوسایت، میکروسایت، نیزوسایت و اسفروسایت) با استفاده از یک یا دو ویژگی تعیین کننده و با اعمال روش آستانه گذاری جداسازی شده اند. در نهایت به منظور تشخیص نمونه های فقرآهن از نمونه های خون سالم، تعداد هر کدام از انواع سلول های پویکیلوسایت شناسایی شده در این نمونه ها به عنوان ویژگی در نظرگرفته شده است. بردار ویژگی شامل 9 ویژگی است که هر کدام نمایانگر تعداد سلول های پویکیلوسایت در یک نمونه خون محیطی هستند. بردار ویژگی به چهار طبقه بندی کننده مذکور به عنوان ورودی داده می شود. نتایج نهایی نشان می دهد که تشخیص خودکار بیماری کم خونی فقرآهن با استفاده از الگوریتم پیشنهادی در این پایان نامه با دقت 100% و صحت 67/96% همراه است.