دانلود رایگان ترجمه مقاله تقسیم‌ بندی تصویر تومور مغزی مبتنی بر MRI (ساینس دایرکت – الزویر ۲۰۱۶)

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

Hamamci و همکارانش روش “بُرش تومور” را ارائه کرده اند. این روش قطعه بندی نیمه خودکار نیاز دارد که کاربر حداکثر قطر تومور را بر روی تصاویر MRI ورودی رسم کند. پس از این مرحله ی راه اندازی، یک روش قطعه بندی تومور مبتنی بر اتوماتای سلولی (CA) دو بار اجرا می شود، یک بار برای قسمت تومو آماده توسط کاربر و یک بار نیز برای قسمت های پس زمینه تا یک نقشه ی احتمالی از تومور را به دست آورد. این رویکرد مستلزم استفاده از الگوریتم برای هر مدل MRI یعنی T1 ) ،T2 ،Gd-T1 و ( FLAIR به صورت جداگانه است، سپس نتایج ترکیب می شوند تا حجم نهایی تومور به دست آید.
یک روش جدید نیمه خودکار یک رویکرد دسته بندی جدید را به کار گرفته است. در این رویکرد مسئله ی قطعه بندی به یک مسئله ی دسته بندی تبدیل شده و یک تومور مغزی با استفاده از آموزش و دسته بندی تنها در داخل همان مغز قطعه بندی شده است. به طور کلی، روش های دستهب ندی با استفاده از یادگیری ماشین، برای قطعه بندی تومور مغزی، به مقدار زیادی از اسکن های MRI مغزی (با زمینه حقیقت شناخته شده) از موارد مختلف تا آموزش، نیاز دارند. این نتایج نیاز به سر و کار داشتن با اصلاح بایاس شدید و دیگر نویزها را دارند. با این حال در این روش، کاربر پروسه را به وسیله انتخاب زیرمجموعه ای از واکسل ها متعلق به هر نوع بافت از یک مورد واحد، راه اندازی می کند. برای زیرمجموعه از واکسل ها، الگوریتم مقدارهای شدت را تنها به همراه مختصات فضایی آنها به عنوان ویژگی استخراج نموده و یک ماشین بردارپشتیبان (SVM) را آموزش می دهد که برای دسته بندی تمام واکسل های همان تصویر از همان نوع بافت مربوطه مورد استفاده قرار گرفته است.
روش های نیمه خودکار قطعه بندی تومور مغزی نسبت به روش های دستی زمان کمتری نیاز دارند و می توانند نتایج کارآمد ی را به دست آورند، ولی آنها نیز همچنان نسبت به تغییرات بین و درون کاربر/تخمین زننده (ارزیاب) وابسته هستند. بنابرای، نتایج قطعه بندی تومور مغزی فعلی، عمدتا روی روش های تمام خودکار تمرکز می کند.

۲٫۳٫ روش قطعه بندی تمام خودکار
در روش های قطعه بندی تومور مغزی تمام خودکار، هیچ تعامل با کاربر لازم نیست. عمدتاً هوش مصنوعی و دانش قبلی برای حل مسئله قطعه بندی ترکیب شده اند.

۲٫۳٫۱٫ چالش ها
قطعه بندی خودکار گلیوما یک مسئله بسیار چالش برانگیز است. داده مربوط به MRI مغزی تومور داده ی سه بعدی است که شکل ، اندازه و مکان تومورمی تواند تا حد زیادی از بیمار تا بیمار متفاوت باشد. همچنین محدوه های مرزی تومور معمولاً نا مشخص و نا منظم با وجود ناپیوستگی ها هستند، که به طور ویژه در مقابل روش های سنتی مبتنی بر لبه ، چالش بزرگی را ایجاد می کند. علاوه بر این ها ، داده MRI تومور مغزی به دست آمده از اسکن های بالینی یا پایگاه داده های مصنوعی ذاتاً پیچیده هستند. دستگاه های MRI و پروتکل های مورد استفاده برای دستیابی می توانند اسکن به اسکن با تحمیل اثر شدت بایاس ها و متغیرهای دیگربرای هر قطعه متفاوت از تصویر در پایگاه داده، تغییر کند. نیاز به چند روش برای قطعه بندی موثر زیرنواحی تومور، حتی به این پیچیدگی اضافه می کند.

۲٫۳٫۲٫ مجموعه داده BRATS
ارزیابی هدفمند نتایج روش های متعدد قطعه بندی تصویر تومور مغزی، با روش جدید کار بسیار دشواری است. با این حال، با توسعه ی معیار BRATS ،معیاری که به طور گسترده ای برای قطعه بندی خودکار تومور مغزی مورد قبول واقع است، در حال حاضر برای قطعه بندی تومور مغزی خودکار، ممکن است تا به طو هدفمند روش های متعدد قطعه بندی گلیوما با استفاده از این مجموعه داده ی رایج امکانپذیر ممکن کند. نسخه ی فعلی (۲۰۱۵) از مجموعه دادگان آموزشی BRATS شامل ۲۷۴ عدد اسکن MRI چند-وجهی از بیماران با گلیوما (هر دو درجه بالا و پایین) به همراه قطعه بندی هایی است که به صورت دستی توسط متخصص انجام شده اند، برای ارزیابی است. زیرا برای داده های آزمایش، ۱۱۰ عدد اسکن با سطوح نا مشخص و محدوده های تومور(واقعیت اساسی) نامشخص در دسترس هستند. ارزیابی از داده های آزمایش فقط با ابزار ارزیابی آنلاین امکان پذیر است. نتایج توسط ابزار عمدتا به وسیله ابزار در فرم شناخته شده امتیاز تاس ، حساسیت (نرخ مثبت صحیح) و ویژگی (نرخ منفی صحیح) برای سه ناحیه اصلی تومور ارائه می شود: تومور کامل (تمام اجزای تومور) ، تومور هسته (تمام اجزای تومور به جز تورم) و تومور فعال (فقط سلولهای فعال). ما فقط نمرات تاس را به عنوان مقیاس های عملکرد گزارش می کنیم. برای هر ناحیه تومور ، P1 نشان دهنده منطقه تومور تقسیم شده با روش پیشنهادی و T1 منطقه تومور واقعی در حالت واقعی (توسط متخصص واقعی) را نشان می دهد. سپس ، امتیاز تاس توسط ابزار آنلاین برای هر ناحیه محاسبه می شود:
(P,T) = (|P1ΛT1| )/((|P1| + |T1|)/2)
که Λنشاندهنده ی عملگر منطقی ANDاست و علامت |.|نیز به اندازه ی مجموعه (تعداد واکسل های متعلق به آن) اشاره دارد.

۲٫۳٫۳٫ انواع روش های قطعه بندی تومور مغزی خودکار
روش های قطعه بندی خودکار تومور مغزی می توانند بدین صورت دسته بندی شوند: روش های تفکیک کننده و تولید کننده. بررسی های (مرور) جزئی تر این روش‌ها قبلا ارائه شده است.
نتایجی گزارش شده قبلی، نشان می دهند که روشهای مبتنی بر دسته بندی تفکیککننده به طور کلی عملکرد بالایی در میان سایر روش های خودکار دارند. روش های تفکیککننده سعی می کنند رابطه ی بین تصویر ورودی و محدوده هایی را که قبال توسط متخصص به صورت دستی (واقعیت اساسی) مشخص شده اند را یاد بگیرند. آنها به طور عمده بر انتخاب ویژگی ها و استخراج این ویژگی ها تکیه دارند. در بیشتر موارد آنها تکینک های یادگیری نظارت شده را استفاده می کنند که مجموعه داده بزرگی با واقعیت اساسی را نیاز دارد. از سوی دیگر، روش های تولید کننده به تولید مدل‌های احتمالی با استفاده از دانش قبلی مانند وسعت مکانی و فضایی بافت های سالم می پردازند. اطلاعات مکانی بافت های سالم که از قبل مشخص هستند، برای استخراج اجزای ناشناخته تومورمورد استفاده قرار می گیرند. با این حال، تبدیل دانش قبلی به مدل های احتمالی مناسب، یک کار پیچیده است. اگر چه روش نیمه خودکاری که وسط Kuwon و همکارانش ارائه شده است، بهرین مدل تولید کننده را پیشنهاد می دهد.

۲٫۳٫۴٫ خط لوله های پردازش در روش خودکار
اکثر روش های تفکیک کننده ارائه شده خط لوله پردازش مشابهی را پیاده سازی می کنند که شامل مراحل پیش پردازش، استخراج ویژگی، دسته بندی و پس پردازش است. مرحله پیش-پردازش معمولا شامل عملیات خذف نویز، حذف تصویر جمجمه و اصلاح بایاس شدت است. پس از مرحله پیش پردازش، روش های پردازش تصویر برای استخراج ویژگی های مورد استفاده قرار می گیرند که هر نوع بافت متمایز را به صورت کارآمدی مشخص می کنند. ویژگی هایی مانند ویژگی های مربوط به عدم تقارن، تبدیل موجک گسسته (dwt)، textones، ویژگی های حرکت براونی با چندین فراکتال، ویژگی های آماری درجه اول، شدت های خام ، بافت های محلی تصویر، گرادیان های شدت و ویژگی های مبتنی بر لبه بری از این نمونه ها هتسند. با استفاده از این ویژگی ها، انواع مختلفی از دسته بندی ها مانند شبکه عصبی (NN)، ماشین های بردار پشتیبان (SVM)، AdaBoost، دسته بند k-نزدیک ترین همسایه (kNN)، نگاشت های ود سازمان دهنده (SOM)، و جنگل های تصادفی (RFs) پیاده سازی می‌شوند تا نتایج مناسب و مفیدی از قطعه بندی تولید شود. در برخی از موارد، نتایج قطعه بندی اصلاح می شود تا عملکرد افزایش یابد. میدان های تصادفی شرطی (CRF) و اجزای متصل (CC) نیز در بین گزینه های انتخابی محبوب قرار دارند. به عنوان بهترین روش رایج تفکیک کننده، Tustison و همکارانش از ویژگی های مربوط به عدن تقارن و ویژگی های آماری درجه اول برای آموزش جنگل های تصادفی (RFهای) به هم پیوسته استفاده کرده اند. و این کار را با تعریف خروجی جنگل تصادفی اول به عنوان جنگل دیگر انجام داده اند. اگرچه این روش های دسته بندی رایج عملکرد بالایی را گزارش کرده اند، ولی مسیر جدیدی در روش های تمام خودکار قطعه بندی تومور مغزی براساس روش های یادگیری عمیق نیز با نتایج بالایی در حال ظهور است.

۳٫ روش های یادگیری عمیق
عملکرد های اخیر روشهای یادگیری عمیق ، به ویژه شبکه های عصبی کانالوشنی (CNN) ، در چالش های متعدد تشخیص شی و قطعه بندی تصاویر بیولوژیکی چالش ها محبوبیت آنها را در بین تحقیقات افزایش داده است. در مقایسه با روش های قطعه بندی معمولی و رایج که ویژگی های را به عنوان ورودی دریافت می کنند که به صورت دستی ایجاد شده اند، شبکه های عصبی کانولوشنی به طور خودکار ویژگی های پیچیده ی مورد نظر را به طور مستقیم از خود داده ها یادگیری می کنند. با توجه به این خاصیت ، تحقیق بر روی قطعه بندی تومورمغزی مبتنی بر اساس شبکه های عصبی کانالوشنی CNN به طور عمده بیشتر بر طراحی معماری شبکه تمرکز دارد تا اینکه بر روی پردازش تصویر برای استخراج ویژگی تمر کز داشته باشد. تکه های شبکه های عصبی کانالوشنی از تصاویر به عنوان ورودی ها استخراج می شوند و از فیلترهای قابل آموزش کانالوشنی و نمونه برداری محلی برای استخراج سلسه مراتبی از ویژگی های پیچیده ای استفاده می کنند که به طور فزاینده ای در حال افزایش هستند. اگرچه در حال حاضر روش های مبتنی بر CNN از نظر تعداد در مقایسه با روش های معمولی و روش های تقسیم بندی تومور مغزی سنتی ، بسیار کم است ولی با توجه به نتایج فوق العاده پیشرفته بدست آمده از روش های قطعه بندی تومور مغزی مبتنی بر CNN، ما در این بخش به بررسی این روش ها می پردازیم. مقایسه یادگیری عمیق و روش های قطعه بندی معمولی گلیوما در جدول ۱ ارائه شده است.
Urban و همکاران یک معماری سه‌بعدی CNN را برای انجام قطعه بندی چند وجهی گلیوما MRI پیشنهاد داده اند. تکه های سه بعدی چند وجهی ، اساساً مکعب هایی از واکسل ها ، از روش های مختلف MRI مغز استخراج شده و به عنوان ورودی به CNN استفاده می شوند تا برچسب بافت واکسل مرکز مکعب را پیش بینی کند. ورودی دارای اطلاعات ۳ بعدی در مدت شدت فضایی ویک بعد اضافی برای روش های MRI است. بنابراین داده های ورودی ۴ بعدی به طور موثر توسط CNN اداره می شود. در حالی که پردازش ابعاد بزرگ می تواند ماهیت سه‌بعدی ساختارهای بیولوژیکی را بهتر نمایان کند ، باعث افزایش بار پردازشی شبکه نیز می شود. در مورد معماری ، دو شبکه مختلف طراحی شده اند. اولین مورد ، یک CNN با چهار لایه است که لایه ورودی شامل ۱۵ فیلتر سه بعدی است که دارای ۵ بعد فضایی و با یک بعد ۴ ام اضافی هستند که بعد چهارم متناطر با روش MRI است و در نتیجه شکل فیلتر ۵ x 5 x 5 x4 است. دو فیلتر لایه پنهان نیز ۵ بعد فضایی به علاوه یک بعد دیگر دارند که بعد اضافی با تعداد فیلترهای موجود در لایه قبلی مربوط دارد. تعداد فیلتر ها در هر لایه مخفی برابر با ۲۵ عدد است. عدد آخر ، لایه softmax شامل ۶ فیلتر برای هر نوع بافت است که باید دسته بندی شودو بدین ترتیب خروجی به عنوان احتمالات ممکن تفسیر می شود (برای مثال معماری به شکل ۳ را ببینید). شبکه دوم به استثنای یک لایه پنهان اضافی با ۴۰ فیلتر اندازه ۵ تقریباً یکسان است. اجزای متصل برای محله پس از پردازش نتایج استفاده می شوند. میانگین نتایج گزارش شده از دو شبکه پیشنهادی در مجموعه داده BRATS برابربا مقدار امتیاز تاس ۸۷٪ برای کل منطقه تومور ، ۷۷٪ برای هسته منطقه تومورو ۷۳٪ برای ناحیه تومور فعال است که نتایح بسیار امیدوار کننده است.