مقاله تشخیص تومور مغز انسان به کمک کامپیوتر از طریق MRI (سال 2014 الزویر)

1. مقدمه

2. تکنیک های تصویربرداری از مغز

3. روش عام طرح MRI (CAD)

3.1 تهیه و پردازش تصویر

3.2 روش های تقسیم بندی برای تصاویر پزشکی MR

3. 3. تکنیک های استخراج و طبقه بندی ویژگی برای مغز MRI

4. روش پیشنهادی

4.1 تهیه و پردازش تصویر

4. 2. تقسیم بندی منطقه مورد نظر بر اساس FPCNN

4.3 استخراج ویژگی مبتنی بر تبدیل موجک

4 4. کاهش ویژگی بر اساس PCA

4.5 طبقه بندی تصویر MRI بر اساس ANN

4.6 ارزیابی عملکرد

5. پیاده سازی و بحث در مورد آزمایش

5. 1. پایگاه داده

5.2 پیش پردازش

5.3 تقسیم بندی

5. 4. استخراج و کاهش ویژگی

5. 5. ارزیابی طبقه بندی و عملکرد

6. نتیجه گیری و کار آینده

Computer-aided detection/diagnosis (CAD) systems can enhance the diagnostic capabilities of physicians and reduce the time required for accurate diagnosis. The objective of this paper is to review the recent published segmentation and classification techniques and their state-of-the-art for the human brain magnetic resonance images (MRI). The review reveals the CAD systems of human brain MRI images are still an open problem. In the light of this review we proposed a hybrid intelligent machine learning technique for computer-aided detection system for automatic detection of brain tumor through magnetic resonance images. The proposed technique is based on the following computational methods; the feedback pulse-coupled neural network for image segmentation, the discrete wavelet transform for features extraction, the principal component analysis for reducing the dimensionality of the wavelet coefficients, and the feed forward back-propagation neural network to classify inputs into normal or abnormal. The experiments were carried out on 101 images consisting of 14 normal and 87 abnormal (malignant and benign tumors) from a real human brain MRI dataset. The classification accuracy on both training and test images is 99% which was significantly good. Moreover, the proposed technique demonstrates its effectiveness compared with the other machine learning recently published techniques. The results revealed that the proposed hybrid approach is accurate and fast and robust. Finally, possible future directions are suggested.

سیستم های تشخیص / تشخیص بیماری با کمک کامپیوتر (CAD) می توانند قابلیت های تشخیص بیماری پزشکان را ارتقا دهند و زمان مورد نیاز برای تشخیص دقیق را کاهش دهند. هدف از این مقاله، بررسی تکنیک های تقسیم بندی و طبقه بندی اخیر منتشر شده و آخرین وضعیت آنها برای تصاویر رزونانس مغناطیسی مغز انسان (MRI) است. این بررسی نشان می دهد که سیستم های CAD برای تصاویر MRI مغز انسان هنوز هم یک مسئله کاملاً حل نشده هستند. در پرتوی این بررسی، یک تکنیک یادگیری ماشین هوشمند ترکیبی را برای سیستم تشخیص به کمک کامپیوتر برای تشخیص خودکار تومور مغزی از طریق تصاویر رزونانس مغناطیسی پیشنهاد شده است؛ این روش پیشنهادی مبتنی بر روشهای محاسباتی زیر است؛ شبکه عصبی بازخورد پالس-تزویجی برای تقسیم بندی تصویر، تبدیل موجک گسسته برای استخراج ویژگی ها، تجزیه و تحلیل مولفه اصلی برای کاهش ابعاد ضرایب موجک، و شبکه عصبی انتشار-از عقب تغذیه مستقیم برای طبقه بندی ورودی ها به دو دسته طبیعی یا غیر نرمال. آزمایشات بر روی 101 تصاویر متشکل از 14 تومور نرمال و 87 غیر نرمال (تومورهای بدخیم و خوش خیم) از یک مجموعه داده MRI واقعی مغز انسان انجام شد. دقت طبقه بندی در آموزش و آزمون تصاویر 99٪ است که به طور قابل توجهی مناسب بوده است. علاوه بر این، روش پیشنهادی، اثربخشی خود را در مقایسه با تکنیک های دیگر به تازگی منتشر شده یادگیری ماشین نشان می دهد. نتایج نشان داد که روش ترکیبی پیشنهادی، دقیق، سریع و مقاوم است. در نهایت، رهنمودهای ممکن برای تحقیقات آینده پیشنهاد شده است.