breast cancer

تصاویر ماموگرافی سرطان سینه به پزشکان برای تشخیص رشد سلول‌های سرطانی کمک می‌کند.

در این مقاله از سه روش Thresholding ، Edge –based ، Watershed برای پردازش بر روی تصاویر استفاده شده است .

هدف از آنالیز تصاویر پزشکی بدست آوردن اطلاعات مفید در حدود پردازش های پزشکی یا اعضای بدن با استفاده از منابع انرژی داخلی و خارجی می باشد.

 آنالیزتصویر سینه می تواند توسط  x-ray  ، MRI ، پزشکی هسته ای یا اولتراسونیک انجام شود.

در آینده با استفاده از الگوریتم های پردازش کامپیوتری و نرم افزارهای هوشمند توانایی استخراج اطلاعات از تصاویر پزشکی بهبود می یابد.

در این مقاله چندین مرحله برای اجرای سه  روش ،  Thresholding ، Edge –based ، Watershed طی شده است که در ادامه تک تک این مراحل توضیح داد ه شده است.

در نهایت زمان صرف شده در هر کدام از این روش ها و میزان سادگی این روش‌ها با هم مقایسه شده است.

گام اول :

در مرحله اول توسط نرم افزار متلب تصاویر خوانده می شود و به ماتریس های عددی تبدیل می شوند.

تصاویر به صورت دو بعدی می باشند.

گام دوم :

در این مرحله هدف ساختن المان  ساختمانی برای استفاده ذر توابع سایش و گسترش می باشد . که المان ساختمانی ،ماتریس هایی شامل صفر و یک می باشند که می توانند هر نوع شکل و سایزی داشته باشند.

از تابع strel  برای ساخت المان ساختمانی استفاده شد. این syntax یک المان ساختمانی flat  به نام se می سازد ، که می تواند فرمت های مختلفی داشته باشد .

در این پروژه از فرمت diamond استفاده شده است ، این حالت در واقع یک المان مسطح و dimond-shaped  می سازد که در آن R تعیین کننده فاصله مبدا تا نقطه لوزی (diamond) می باشد.

R   : به صورت عددی صحیح و غیر صفر می باشد.

 گام سوم :

در این مرحله هدف افزایش کنتراست تصویر ،با استفاده از توابع  imtophat  و imbothat  در تولباکس پردازش تصویر می‌باشد.

گام چهارم :

در این مرحله  برای ماکزیمم ساختن کنتراست بین آبجکت ها و gap  ها (شکاف ) ، از توابع ریاضی استفاده شده است ،که تصویر اصلی با top-hat جمع می شود و از bottom- hat کم می شود.

در مرحله بعد استفاده از تابع imcomplement  برای تبدیل صفر به یک و بلعکس می باشیم.

سپس بجز الگوی  Thresholding،  توسط تابع  imextendedminتمام حفرهای عمیق رو کشف می کند و خروجی این دستور یک تصویر باینری می باشد.

تابع  Imimposemin  عکس رو به داشتن حفرهایی که توسط دستور imextendedmin پیدا شده  اصلاح می کند و همچنین این تابع مقدار پیکسل های حفره ها رو به صفر تغییر می دهد.

تابع  Watershed ، ماتریس برچسب رو محاسبه و منطقه های   Watershed رو از ماتریس ورودی  تشخیص می دهد.

تابع  Watershed ماتریس لیبل ،که شامل  عددهای  غیر منفی است  رو برگرداند ،که متصل به مناطق  Watershed هستند.پیکسل هایی که در هیچ منطقه ای قرار نمی گیرند به رنگ سیاه در تصویر قابل مشاهده می باشد.

برای مشاهده بهتر مناطق  Watershed  در ماتریس لیبل ،تصویر رو رنگی می کنیم، که تصویر  توسط دستورlabel2rgb    رنگی می شود.

مقایسه نتایج :

از مقایسه تست نتایج نشان داده شده در جدول ذیل می توان زمان صرف شده توسط هر روش را مشاهده کرد ، نتایج نشان می دهد که در هر بار استفاده از روش thresholding  سریع تر ازدو  روش دیگر می باشد.

اما خروجی ناشی از قطعه بندی روش thresholding به وضوح دو روش قطعه بندی edge-base و watershed  نمی باشد.

و با توجه به اینکه زمان صرف شده در دو روش  edge-base و watershed   طولانی تر از روش  thresholding می باشد اما تصاویر این دو روش بهتر است و همچنین  thresholding فقط قادر به قطعه بندی تصاویر خاکستری می باشد و این روش می تواند شی را از پس زمینه تشخیص دهد .

ویدیو تحلیل مقاله

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *