جداسازی نواحی مشکوک به ندول یا غدد سرطانی ریه

قطعه بندی یا بخش بندی تصویر، فرآیند تخصیص برچسب به تمامی پیکسل های موجود در یک تصویر می باشد که پیکسل های دارای برچسب یکسان، ویژگی های مشابه و مشخصی دارند. بنابراین هدف از بخش بندی، تقسیم تصویر ورودی یا تصویر هدف به ناحیه های مختلف به طوری که پیکسل های درون یک ناحیه مشابه و پیکسل های متعلق به نواحی مختلف، متفاوت از هم باشند، هدف از این پژوهش، تقسیم تصویر سی تی اسکن سرطان ریه به قسمت های اصلی سازنده-اش به منظور جدا سازی ندول ریوی مختلف موجود در تصویر، به نواحی مجزا و همگن است که در حالت ایده آل باید نتیجه بدست آمده با نواحی حاصل از قطعه بندی ذهن انسان منطبق باشد، تا تحلیل تصاویر در مراحل بعدی راحت تر انجام بگیرد و ویژگی های استخراج شده از تصاویر در جهت افزایش سرعت و دقت محاسباتی به صورت فزاینده ایی سطح بالاتر و بهینه تر باشند. مطالعات این پژوهش بر روی مجموعه تصاویر (LIDC-IDRI) که یک مجموعه از تصاویر سی تی اسکن از سرطان ریه می باشد انجام شده است. مدل پیشنهادی این پژوهش شامل بخش پیش پردازش با بهینه کردن کنتراست تصاویر و حدف نویز با هدف بهبود کیفیت تصاویر و سپس حدف داده هایی که نیاز به پردازش آنها نیست مانند پیش زمینه تصاویر ریه با الگوریتم های بهینه سازی به هدف بالا بردن سرعت پردازش و قطعه بندی یا بخش بندی ریه و جدا سازی نواحی مشکوک به ندول یا غدد سرطانی روی تصاویر سی تی اسکن ریه با مجموع الگوریتم های هوشمند یادگیری ماشین و مقایسه الگوریتم ها با یکدیگر برای بدست آوردن بهترین و همگن ترین تصاویر در خروجی، سپس با معیارهای ارزیابی مشابهت ، کارایی الگوریتم پیشنهادی را در میزان دقت در همگن بودن تصاویر خروجی با تصاویر مرجع سنجیده می شود . روش پیشنهادی با بدست آوردن میانگین نرخ شباهت ۹۸.۶۶ درصد و میانگین نرخ خطای ۱.۳۴ درصد در مقایسه با روشهای مطالعاتی دیگر توانسته با تولید خروجی همگن تر با بار محاسباتی کمتر و در عین حال حفظ ویژگی های موثر و سطح بالاتر جهت تحلیل پذیری دقیق تر بسیار موفق عمل کند. طرح ارایه شده با استفاده از الگوریتم های بهینه سازی و الگوریتم های یادگیری ماشین با توجه به معیارهای ارزیابی شباهت توانسته در بهینه سازی قطعه بندی تصاویر و جدا سازی ندول یا غدد سرطانی ریه با دقت و سرعت مطلوبی عمل کند از این رو این طرح پیشنهادی یک نمونه ایده آل جهت مطالعات آینده می باشد.