دوره 28، شماره 4 - ( تیر 1399 )
جلد 28 شماره 4 صفحات 2606-2595 |
برگشت به فهرست نسخه ها
چکیده: (1951 مشاهده)
مقدمه: در سرطان‌های ریه، سیستم کمک تشخیصی با کامپیوتر جهت تشخیص ندول با اندازه‌های بسیار کوچک در حجم بالایی از تصاویر CT (Computed Tomography)، بسیار سودمند می‌باشد. مطالعه حاضر، ارائه سیستمی نوین برای تشخیص ندول‌های ریوی با استفاده از روش‌های پردازش تصویر CT می‌باشد.
روش بررسی: در یک مطالعه شاهد موردی، تصاویر CT قفسه سینه 20 مراجعه‌کننده به‌بیمارستان تامین اجتماعی یزد مورد بررسی قرار گرفت. در الگوریتم تحلیل ویژگی‌های دو‌بعدی و سه‌بعدی نواحی مشکوک به‌ندول‌های ریوی و تشخیص خودکار برای ارزیابی، نتایج بخشبندی نواحی توسط مدل کانتورهای فعال، با نتایج بخشبندی توسط پزشک، مقایسه گردید. در نهایت برای دسته‌بندی نواحی به دو گروه سرطانی و غیرسرطانی به کمک نرم افزار MATLAB نسخه 2014 b با استفاده ازSVM (Support Vector Machine) به همراه سه کرنل خطی، چند‌جمله‌ای با درجه 3 و کرنل تابع پایه شعاعی و آزمون اندازه‌گیری‌های مکرر در سطح 0/05 P≤ مورد تحلیل قرار گرفت .
نتایج: متوسط خطا برای 10 بیمار سرطانی و 10 فرد سالم، به‌ترتیب برابر با 0/023 و 0/045 شد و بهترین نتیجه الگوریتم بخشبندی با استفاده از کرنل RBF (Radial Basis Function) و پارامتر 0/28=σ برای آن، به‌دست آمد. با استفاده از مدل کانتور فعال مبتنی بر ناحیه محلی مدت زمان بخشبندی ناحیه به‌طور متوسط از 18/36 به 5 ثانیه کاهش یافت و مقادیر فاصله محاسبه شده توده‌ها کمتر یا برابر با مقدار 0/75 میلی‌متر گردید؛ که نشان دهنده افزایش سرعت شناسایی ندول‌های ریوی با دقت بالا می‌باشد.
نتیجه‌گیری:در الگوریتم پیشنهادی، مقدار خطای مثبت اشتباه و زمان شناسایی ندول‌ها به‌میزان قابل قبولی کاهش یافت و تمام نواحی مشکوک به‌توده‌های سرطانی با دقت و سرعت بالایی شناسایی شدند.
روش بررسی: در یک مطالعه شاهد موردی، تصاویر CT قفسه سینه 20 مراجعه‌کننده به‌بیمارستان تامین اجتماعی یزد مورد بررسی قرار گرفت. در الگوریتم تحلیل ویژگی‌های دو‌بعدی و سه‌بعدی نواحی مشکوک به‌ندول‌های ریوی و تشخیص خودکار برای ارزیابی، نتایج بخشبندی نواحی توسط مدل کانتورهای فعال، با نتایج بخشبندی توسط پزشک، مقایسه گردید. در نهایت برای دسته‌بندی نواحی به دو گروه سرطانی و غیرسرطانی به کمک نرم افزار MATLAB نسخه 2014 b با استفاده ازSVM (Support Vector Machine) به همراه سه کرنل خطی، چند‌جمله‌ای با درجه 3 و کرنل تابع پایه شعاعی و آزمون اندازه‌گیری‌های مکرر در سطح 0/05 P≤ مورد تحلیل قرار گرفت .
نتایج: متوسط خطا برای 10 بیمار سرطانی و 10 فرد سالم، به‌ترتیب برابر با 0/023 و 0/045 شد و بهترین نتیجه الگوریتم بخشبندی با استفاده از کرنل RBF (Radial Basis Function) و پارامتر 0/28=σ برای آن، به‌دست آمد. با استفاده از مدل کانتور فعال مبتنی بر ناحیه محلی مدت زمان بخشبندی ناحیه به‌طور متوسط از 18/36 به 5 ثانیه کاهش یافت و مقادیر فاصله محاسبه شده توده‌ها کمتر یا برابر با مقدار 0/75 میلی‌متر گردید؛ که نشان دهنده افزایش سرعت شناسایی ندول‌های ریوی با دقت بالا می‌باشد.
نتیجه‌گیری:در الگوریتم پیشنهادی، مقدار خطای مثبت اشتباه و زمان شناسایی ندول‌ها به‌میزان قابل قبولی کاهش یافت و تمام نواحی مشکوک به‌توده‌های سرطانی با دقت و سرعت بالایی شناسایی شدند.
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |