Сочинение на тему УЛУЧШЕНО ОБНАРУЖЕНИЕ ОПУХОЛИ МОЗГА
- Опубликовано: 12.08.2020
- Предмет: Здоровье, Наука
- Темы: Болезнь, Технологии, Травматическое повреждение мозга
Аннотация: опухоль головного мозга может быть обнаружена с помощью компьютерного алгоритма обработки изображений. МРТ было сделано, чтобы найти опухоль головного мозга. МРТ-изображений недостаточно для тщательной диагностики опухоли. Алгоритм нечеткого среднего значения очень популярен для сегментации изображений. Вывод алгоритма нечеткого c mean также содержит некоторую нежелательную часть. В нашей предлагаемой работе эти нежелательные части могут быть удалены с помощью медианного фильтра. В предлагаемой работе DWT с SVM используются для выявления типов опухоли, будь то доброкачественный и злокачественный тип. Отфильтрованное изображение по медианному фильтру также помогает лучше распознавать классификатор SVM.
Ключевые слова: FCM (нечеткое среднее значение C), МРТ (магнитно-резонансная томография), DWT (дискретное вейвлет-преобразование), SVM (машины опорных векторов), сегментация изображения, изображение в градациях серого, МРТ (магнитно-резонансная томография), компьютерная томография (КТ ) сканирование, предварительная обработка изображений, фильтрация изображений.
I. Введение
Опухоль головного мозга может быть обнаружена различными методами сканирования мозга. КТ обеспечивает детальную картину мозга и МРТ-тест, где компьютер связан с сильным магнитным полем, которое обеспечивает четкую двухмерную картину мозга. МРТ (магнитно-резонансная томография) отбрасывает излучение в отличие от КТ [2,4]. МРТ-изображение дает полное представление о мозге, и специалист должен провести надлежащий осмотр, чтобы найти опухоль, которая делает процесс более медленным и дорогостоящим. Для решения этой проблемы были созданы компьютерные алгоритмы сегментации. Эти алгоритмы предоставляют опухоль в качестве выходного изображения. Наиболее популярно используемая сегментация – это алгоритм сегментации FCM (Fuzzy C Mean). Алгоритм FCM обеспечивает точные результаты для набора данных, который перекрывается, и он намного эффективнее, чем алгоритм k-средних [1].
Опухоли головного мозга можно классифицировать как доброкачественные и злокачественные. Доброкачественная опухоль – это опухоль, которая не растет внезапно. Он никогда не влияет на соседние ткани и совсем не распространяется на другие части. Злокачественная опухоль с течением времени ухудшается и в конечном итоге оказывается смертельной. Мы можем сказать, что злокачественная опухоль является опухолью в описательной или прогрессирующей стадии, откуда совершенно невозможно вернуться назад [4]. Для извлечения элементов из МРТ-изображения мозга вейвлет-преобразование является эффективным, поскольку оно позволяет анализировать изображения на разных уровнях движения в соответствии с его диагностическим свойством с несколькими разрешениями [1]. Чтобы дифференцировать тип опухоли головного мозга, широко используется классификатор SVM (Машины опорных векторов). Модель SVM представляет точки в пространстве, которые сопоставлены таким образом, чтобы примеры отдельных категорий были разделены четким зазором, максимально широким.
В предлагаемой нами работе алгоритм FCM используется для сегментации изображения МРТ головного мозга. Сегментированное изображение дополнительно улучшается с помощью медианного фильтра. Здесь медианный фильтр удаляет нежелательную сегментированную часть, рассматривая их как шум. Выходные данные о сегментации затем направляются в классификатор DWT и SVM для правильной идентификации типа опухоли.
II. СЕГМЕНТАЦИЯ FCM (FUZZY C MEAN)
Нечеткое c-среднее можно назвать субоптимальным методом сегментации, который уступает глобальной оптимальности для повышения статистической эффективности и адаптируемости в процессе сегментации. Вычислительная оценка на FCM определяется количеством точек изображения, которые необходимо тщательно обрабатывать на каждой итерации [5].
FCM – это метод кластеризации, который позволяет получить одну информацию, которая принадлежит двум или более кластерам [6]. Основной аспект этого алгоритма заключается в назначении значений членства для каждой точки данных, следующей за каждым центром кластера, на основе расстояний между кластером и точкой данных. Чем выше значение членства, тем больше данных рядом с центром кластера. Очевидно, что сумма членства каждой точки данных должна быть равна единице [10].
Алгоритм FCM – это метод итеративной кластеризации, который создает оптимальное разбиение c путем минимизации веса в пределах групповой суммы целевой функции квадрата ошибки (JFCM) [8].
<Р> (1)
<Р> Где
X = {x1, x2,…, xn} ≤ R,
n = количество элементов данных,
c = количество кластеров с 2 ≤ c uik = степень членства xk в i-м кластере, q = весовой показатель для каждого нечеткого членства, vi = прототип центра кластера i, d2 (xk, vi) – это мера расстояния между объектом xk и центром кластера vi. Решение объектной функции (JFCM) может быть рассчитано с помощью итерационного процесса, который выглядит следующим образом:
<Р> (2)
<Р> Ik = {я | 1 <= I <= с
<Р> дик = || XK-VI || = 0},
~ Ik = {1,2, …… c} -Ik, для k-го столбца матрицы, вычислить новые значения членства, а если Ik = Ø, то
<Р> (3)
else uik (b + 1) = 0 для всех iє ~ Ik и ƩiєIk uik (b + 1) = 1, следующие k [9],
если || Ub-U (b + 1) || <Ɛ, остановись; в противном случае установите b = b + 1 и перейдите к шагу 4.
Для сегментации медицинских изображений подходящий тип кластеризации – нечеткая кластеризация. Нечеткое с-среднее (FCM) можно рассматривать как нечеткую версию алгоритма к-среднего. Это своего рода алгоритм кластеризации, который позволяет элементу данных иметь степень принадлежности к каждому кластеру по степени принадлежности [6].
III. DWT (ДИСКРЕТНОЕ ВОЛНОВОЕ ПРЕОБРАЗОВАНИЕ)
Вейвлет дает представление о разных частотах изображения с использованием разных масштабов. DWT обеспечивает коэффициент вейвлета из МР изображений мозга. Двумерный DWT дает четыре поддиапазона: LL (низкий-низкий), HL (высокий-низкий), LH (низкий-высокий), HH (высокий-высокий) с двухуровневым вейвлет-разложением области интереса ( ROI). Аппроксимации вейвлетов на первом и втором уровнях представлены LL1, LL2 соответственно; который представляет низкочастотную часть. Высокочастотная часть изображений представлена LH1, HL1, HH1, LH2, HL2 и HH2, что дает детали горизонтального, вертикального и диагонального направлений на первом и втором уровнях, соответственно, как показано на рис. 1 ниже [2].
IV. МЕДИАНСКИЙ ФИЛЬТР
Медианный фильтр очень популярен в фильтрации изображений. Он ведет себя как фильтр нижних частот, который блокирует все высокочастотные составляющие изображения, такие как шум и края, тем самым размывая изображение [11]. Для фильтрации поврежденного изображения высокой плотности необходим большой размер окна, чтобы в окне присутствовало достаточное количество свободных от шума пикселей. Таким образом, размер скользящего окна в медианном фильтре зависит от плотности шума. Фильтр с размером окна 3 × 3, 5 × 5, 7 × 7 и 9 × 9 в основном применим. Выход медианного фильтра определяется как
y (i, j) = медиана {x (is, jt), x (i, j) / (s, t) ∈W, (s, t) ≠ (0,0)} (4) < / р>
где {x} – изображение с шумом, а y (i, j) – восстановленное изображение с сохранением краев.
V. SVM (ПОДДЕРЖКА ВЕКТОРНОЙ МАШИНЫ) КЛАССИФИКАТОР
SVM классификатор применяется в нашей работе для определения типа опухоли, будь то доброкачественные и злокачественные опухоли. Это очень эффективный метод обучения, используемый в задачах классификации. SVM использует функции ядра для разделения классов с большими данными. SVM обеспечивает лучшие результаты в приложениях с меньшим количеством данных и большей размерностью [7]. SVM – это популярный дискриминационный классификатор, который формально определяется разделительной гиперплоскостью. Он также может быть определен как заданные помеченные обучающие данные, которые контролируются обучением, этот алгоритм выводит оптимальную гиперплоскость, которая распознает новые примеры. В двумерном пространстве эта гиперплоскость является линией, которая делит плоскость на две разные части, где каждый класс занимал пространство по обе стороны.
VI. ПРЕДЛАГАЕМЫЙ АЛГОРИТМ
Блок-схема предложенного алгоритма показана на рис.3. процесс начинается с чтения изображения в MATLAB. После этого применяется алгоритм FCM для сегментации изображения. Вывод сегментации все еще содержит некоторую нежелательную часть в виде шума, поэтому для их удаления применяется медианный фильтр. Затем для определения типа опухоли головного мозга применяется DWT, за которым следует классификатор SVM.
VII. РЕЗУЛЬТАТЫ МОДЕЛИРОВАНИЯ
Таблица 1: Результаты моделирования предыдущей работы и предлагаемой работы с выводом классификатора
<Р> S.No. Исходное изображение Предыдущая работа Предлагаемая работа Выход классификатора
VIII. ЗАКЛЮЧЕНИЕ
Опухоль головного мозга может быть обнаружена и классифицирована с использованием алгоритмов обработки изображений. FCM – очень эффективный алгоритм сегментации изображения. Но все же вывод FCM содержит нежелательные части, поэтому в нашей работе введен медианный фильтр для фильтрации нежелательных частей. Затем в наших предложенных DWT и SVM используется для идентификации типа опухоли головного мозга. Результат сегментации предлагаемой работы лучше, чем предыдущая работа, как показано в результатах. Предложенный алгоритм лучше с точки зрения как качества, так и помогает обеспечить лучшее сегментированное изображение для классификатора для лучшей классификации.
Генитальный туберкулез – причина бесплодия среди женщин Вполне вероятно, что у каждого из нас был член семьи или знакомый, пострадавший от туберкулеза. Туберкулез является серьезной
Цель этого эксперимента – получить представление о полностью настраиваемой программе LabVIEW и понять, как инженеры используют программу в своих интересах, чтобы создать собственную лабораторию, которая
Кибербезопасность или защита информационных технологий – это методы защиты компьютеров, сетей, программ и данных от несанкционированного доступа или атак, направленных на эксплуатацию. Существует четыре типа