جلد 27، شماره 4 - ( 4-1399 )
جلد 27 شماره 4 صفحات 121-106 |
برگشت به فهرست نسخه ها
Research code: 000000000
Ethics code: 00000000
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ghahvechi Khaligh, H, Pourasad Y, Moghadas Gholian S. Classification of Lung nodules using textural and geometric features. RJMS 2020; 27 (4) :106-121
URL: http://rjms.iums.ac.ir/article-1-6145-fa.html
URL: http://rjms.iums.ac.ir/article-1-6145-fa.html
خلیق هانیه قهوچی، پوراسد یعقوب، مقدس قولیان سرلی. پردازش تصاویر و استخراج ندول‌های ریوی با ترکیب ویژگیهای بافتی و هندسی. مجله علوم پزشکی رازی. 1399; 27 (4) :106-121
دانشگاه صنعتی ارومیه، ارومیه، ایران ، y.pourasad@uut.ac.ir
چکیده: (4602 مشاهده)
زمینه و هدف: از آنجایی که تشخیص غدد سرطانی و بدخیم ریه با استفاده از روش‌های عکس‌برداری نظیر CT -Scan و بدون نیاز به نمونه‌برداری باعث کاهش ریسک پخش شدن ندول سرطانی میشود، بنابراین توسعه یک سیستم تشخیصی کامپیوتری جهت پردازش تصاویر و غدد ریوی و سپس طبقهبندی آن‌ها به دو دسته خوش خیم و بدخیم، در تشخیص زودهنگام سرطان ریه و نجات جان بیماران نقش بسزایی ایفا میکند. هدف از این پژوهش، دستیابی به دقت طبقهبندی بالاتر و در نتیجه دقت تشخیص بالاتر غدههای بدخیم و خوش خیم میباشد.
روش کار: در این پژوهش الگوریتم‌هایی که پیش از این برای طبقهبندی غدد ریوی استفاده شده، معرفی میشود و در نهایت الگوریتم پیشنهادی ارائه میشود. در الگوریتم پیشنهادی ابتدا تصاویر سی تی اسکن ریه پیش پردازش شده و سپس به وسیله کانتور فعال چن-وسه، ناحیه ندول استخراج میشود. از ناحیه قطعهبندی شده، ویژگیهای هیستوگرام، بافت و هندسی استخراج میشود. سپس این ویژگی‌ها با استفاده از دو طبقه بند SVM و KNN، ندول‌های ریوی را به دو دسته خوش خیم و بدخیم طبقه بندی میکنند.
یافته‌ها: نتایج حاصل از پیشپردازش‌های اعمالی بررسی میگردد. سپس تصاویر پیشپردازش شده توسط الگوریتم چن-وسه قطعهبندی شده و ناحیه استخراج شده و تحت الگوریتم های استخراج ویژگی قرار گرفته و 25 ویژگی مختلف بافتی و هندسی برای هر غده از این نواحی استخراج میگردد. در مرحله آخر، توسط دادههای استخراج شده، طبقهبندهای SVM و KNN اقدام به طبقهبندی غدد میکنند. معیارهای دقت، حساسیت و میزان اختصاصی بودن در طبقه بند برتر % 8/90، % 100 و 89% بدست میآید.
نتیجه‌گیری: این روش علاوه بر دقت بالا در تشخیص، روشی کم هزینه و کم خطر نیز میباشد. روش پیشنهادی بخاطر دارا بودن حساسیت بسیار بالا و همچنین دارا بودن مقادیر مطلوب دو معیار دقت و میزان اختصاصی بودن و تعداد پایین ویژگیهای مورد استفاده جهت طبقهبندی، بعنوان یک روش کارآمد و مناسب جهت طبقهبندی غدد ریوی پیشنهاد میگردد.
روش کار: در این پژوهش الگوریتم‌هایی که پیش از این برای طبقهبندی غدد ریوی استفاده شده، معرفی میشود و در نهایت الگوریتم پیشنهادی ارائه میشود. در الگوریتم پیشنهادی ابتدا تصاویر سی تی اسکن ریه پیش پردازش شده و سپس به وسیله کانتور فعال چن-وسه، ناحیه ندول استخراج میشود. از ناحیه قطعهبندی شده، ویژگیهای هیستوگرام، بافت و هندسی استخراج میشود. سپس این ویژگی‌ها با استفاده از دو طبقه بند SVM و KNN، ندول‌های ریوی را به دو دسته خوش خیم و بدخیم طبقه بندی میکنند.
یافته‌ها: نتایج حاصل از پیشپردازش‌های اعمالی بررسی میگردد. سپس تصاویر پیشپردازش شده توسط الگوریتم چن-وسه قطعهبندی شده و ناحیه استخراج شده و تحت الگوریتم های استخراج ویژگی قرار گرفته و 25 ویژگی مختلف بافتی و هندسی برای هر غده از این نواحی استخراج میگردد. در مرحله آخر، توسط دادههای استخراج شده، طبقهبندهای SVM و KNN اقدام به طبقهبندی غدد میکنند. معیارهای دقت، حساسیت و میزان اختصاصی بودن در طبقه بند برتر % 8/90، % 100 و 89% بدست میآید.
نتیجه‌گیری: این روش علاوه بر دقت بالا در تشخیص، روشی کم هزینه و کم خطر نیز میباشد. روش پیشنهادی بخاطر دارا بودن حساسیت بسیار بالا و همچنین دارا بودن مقادیر مطلوب دو معیار دقت و میزان اختصاصی بودن و تعداد پایین ویژگیهای مورد استفاده جهت طبقهبندی، بعنوان یک روش کارآمد و مناسب جهت طبقهبندی غدد ریوی پیشنهاد میگردد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
بیماریهای داخلی
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
