برای اسکن محور بلند باید تصویری در مقطع آکسیال از سطح بطن چپ به عنوان اسکنوگرام مهیا شود . از این تصویر یک مقطع ساژیتال ابلیک از محور طولی بطن چپ تهیه می شود . از روی تصویر حاصله میتوان زاویه محور قلب را اندازه گیری کرده و حفرات قلب را در نمای طولی افقی مورد بررسی قرار داد. از روی این تصویر میتوان مقاطع مخصوص محور کوتاه را بدست آورد.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
در این تصویر بطن چپ به صورت یک حفره کروی دیده شده و بطن راست در حد فاصل آن با دیواره قفسه سینه قرار میگیرد.
همچنانکه در شکل ۱-۸ نشان داده شده است تصویر ام ار آی قلبی زیستپذیری بالایی از خود نشان میدهد. تراکمهای سطح خاکستری نیز به علت استفاده از اسکنهای مختلف و یا ترتیب bffe مختلف می تواند متفاوت باشد. قسمت های مبهم در بخشهای حاشیهای از تصویر دیده می شود که عمدتا بدلیل جریان خون و تاثیرات حجمی است. این تاثیر اولیه نتیجه ضخامت غیر صفر اسلایسهای MRI است، در برخی قسمت ها یک همسایگی می تواند ترکیبی از چندین نوع بافت باشد. تفاوتهای شکل حفره در بیماران مختلف، در طی زمان و در طول محور بلند مشاهده می شود این تفاوت به دلیل تفاوتها در الگوریتمهای بخشبندی است [۴].
شکل۱-۸. تغییرات قلب در تصویر MRI
موقعیت در طول محور apex-base: پیچیدگی بخشبندی همچنین به سطح قسمت های تصویر وابسته است. تصاویر بخشهای بالایی و پایینی از تصاویر قسمت های میانی جهت بخشبندی مشکلتر است. در حقیقت تفکیک ام ار ای جهت تعیین اندازه ساختارهای کوچک در سطح راس کافی نیست و شکل حفره قویا نزدیک با سطح قاعدهای قلب، بدلیل مجاورت به آن ادغام می شود. توجه کنید که شکل بطن راست در طول این محور تغییرپذیری زیادی دارد در حالی که بطن چپ شبیه شکل حلقه مانند باقی میماند (شکل۱-۸).
شکل ۱-۹. اسلایسهای short-axis از apex to base
۱-۴- توجیه ضرورت انجام طرح و روش کار
بیماریهای قلبی عروقی یکی از بیشترین و رایج ترین علت مرگ در دنیا میباشد [۱]. از این رو کنترل و درمان این بیماریها یکی از مهمترین چالشهای کادر درمانی است. بخشبندی بطن چپ و راست قلب اطلاعات با ارزشی در مورد عملکرد قلب به پزشک ارائه میدهد که برخی از این شاخص ها عبارتند از حجم پایان سیستولی، حجم پایان دیاستولی، حجم ضربهای و کسر تخلیه میباشد.
از این شاخص ها برای تشخیص بیمارهایی مانند ایسمیک قلبی (کاهش خون رسانی به میوکارد)، بیماری شریانهای کرونری، پر فشاری شریانی وپلی ارتریت استفاده می کنند [۲].
از این رو بخشبندی قلب برای کنترل و درمان بسیاری از بیماریهای قلبی عروقی مهم می باشد، اگرچه تقسیم بندی دستی بطنهای قلب نتایج خوبی را تولید می کند اما تقسیم بندی دستی کاری وقتگیر، به خصوص برای بطن راست، با توجه به هندسه پیچیده آن میباشد. از این رو بخشبندی اتوماتیک بطنهای قلب مهم و ضروری به نظر میرسد. شکل ۱-۹ یک تصویر MRI از قلب را با بخشبندی دستی بطن راست و چپ قلب، در دو فاز دیاستول و سیستول نشان میدهد .
شکل۱-۱۰. تصویر بخش بندی شده دستی MRI
در این تحقیق یک روش کاملا اتوماتیک و جدید بر اساس ترکیب روشPSO و الگوریتم پیمایش تصادفی بهبود یافته برای بخشبندی بطن راست و چپ از تصاویر قلبی ارائه شده است.
۱-۵- مساله پژوهش از دیدگاه پزشکی
قلب دارای ۴ حفره، ۲ حفره در بالا به نام دهلیز و ۲ حفره درپایین به نام بطن است، هر یک از این حفرها به دلیل بیماریهایی دچار گشادی میشوند ولی گشادی که در میان عوام شناخته شده گشادی بطن چپ است. گشادی بطن چپ به نارسایی قلب منجر می شود. گشادی بطن چپ به دلیل نارسایی و تنگی دریچه آئورت و گشادی بطن راست هم بدلیل نارسایی دریچه پولمونر ایجاد می شود. علاوه بر اتساع و گشادی بطن چپ بیماریهای دیگری هم وجود دارد که به کمک بخشبندی میتوان در تشخیص زود هنگام بیماری و در روند درمان اطلاعات مفیدی را در اختیار قرار دهد.
پیچش بطن راست نقش مهمی در خروج خون از بطن دارد و درست انجام نشدن این پیچش می تواند باعث اختلال در روند خروج خون بشود. مطالعات بالینی نشان دادهاند که تحلیل هم زمان اطلاعات پیچش بطن راست و کسر خروجی می تواند اطلاعات مفیدی در مورد کارکرد قلب در اختیار قرار دهد و می تواند در تشخیص زود هنگام بیماری و همچنین در روند درمان مفید واقع شود.
شبیه سازی
مراحل شبیهسازی در این تحقیق با بهره گرفتن از نرم افزار متلب ۲۰۱۰ بر روی تعداد زیادی از تصاویر قلبی ام ار ای انجام شده است.
فصل دوم
مطالعات پیشین
۲-۱- مقدمه
در این فصل ما تعدادی از روشهای ارائه شده برای بخشبندی بطنهای قلب را از تصاویر MRI مرور خواهیم کرد. به علت منظم بودن شکل هندسی و همچنین حیاتیتر بودن عملکرد بطن چپ، بیشتر این روشها بر بخشبندی بطن چپ تاکید دارند اما کارهایی هم برای بخشبندی بطن راست انجام شده است و برخی از این روشها هم هر دو بطن قلب را همزمان بخشبندی می کنند که ما آنها را بررسی خواهیم کرد و در نهایت روشهای مطالعه شده را در جدول ۱-۲ دستهبندی کردهایم.
۲-۲- روش های بخش بندی تصاویر ام ار آی قلبی
برای بخشبندی بطنها به خصوص بطن چپ روشهای بسیاری ارائه شده است. روشهای بخشبندی تصاویر در یک دستهبندی کلی در دو گروه روشهای خودکار و نیمه خودکار تقسیم بندی میشوند. در روش خودکار تمام مراحل بخشبندی بدون نیاز به کاربر انجام
می شود؛ در حالی که در روش های نیمه خودکار تصاویر با دخالت کاربر بخشبندی می شود.
در این تحقیق برای بررسی روشهای مختلف مقالات معتبری را در نظر گرفتهایم که شامل روش بخشبندی برای بطن چپ، بطن راست یا هر دو ، ارزیابی کمی و کیفی روشها و همچنین شرح مصور اطلاعات MRI قلبی میباشد.
تمامی مقالات مرور شده در جدول ۲-۱ لیست شده اند. طبقه بندی این مطالعات کار آسانی نبود. بسیاری از مشکلات بخشبندی به استفاده از دانش اولیه برای افزایش دقت نیازمند
میباشد. از یک طرف، مداخلات کاربر[۹] یک ملاحظه مهم در مشکل بخشبندی می تواند بعنوان دانش اولیه مد نظر قرار گیرد. مداخله کاربر در مطالعه بخشبندی بطن چپ و راست، می تواند شامل مشخص کردن مرکز حفره بطن چپ یا ردیابی دستی مرز حفرهها باشد. این دو سطح از مداخلات کاربر از جهت قابلیت تکرار آزمایش، تأثیر یکسانی ندارد و همچنانکه به سطح تخصص یکسانی نیز نیاز ندارند. اطلاعات اولیه می تواند شامل ارتباطات فضایی ساده بین اشیاء (بعنوان مثال بطن راست در سمت چپ بطن چپ است) و یا فرضهای آناتومیکی در هندسه چرخشی بطن چپ باشد. دانش پیشزمینه از بیومکانیک قلب نیز می تواند در بخشبندی مهم باشد. بیشتر اطلاعات دقیق راجع به شکل قلب را میتوان از طریق اطلاعات سطح بالاتر همچون مدل شکل آماری محاسبه نمود. در برخی تصاویر بویژه قسمت رأسی، مرزهای میوکاردیوم بسیار مبهم بوده و بخشبندی سخت است که جهت طبقه بندی صرفا به تصویر متکی میباشد. بعنوان مثال استفاده از مدل، بسیار مفید است اما برای این مهم نیاز به بانک داده متنوع و بزرگ میباشد. ما سه سطح از اطلاعات مورد استفاده در پردازش بخشبندی را تمیز خواهیم داد. بخشبندی بدون دانش اولیه، با دانش اولیه ضعیف و نهایتا با دانش اولیه قوی. در این فصل از تحقیق ما خواهیم دید که چگونه سطح اطلاعات استفاده شده با نوع روش بخشبندی و سطح مداخلات کاربر مرتبط است. تکنیکهای مرتبط با تصویر همچون حد آستانه[۱۰]، تشخیص لبه[۱۱] و مبتنی بر ناحیه[۱۲] مرزی و یا دیگر طبقه بندیها، چارچوب محدودی برای ادغام دانش اولیه ارائه می کند.
برعکس مدلهای تغییرپذیر، چارچوب جامع و وسیعی برای استفاده از هر دوی دانش اولیه قوی و دانش اولیه ضعیف فراهم می کند. که شامل اطلاعات آناتومیکی و نیز اطلاعات سطح در شکل فعال مدل های ASM/AAM میباشد. با در نظر گرفتن روشهای طبقه بندی معمول و سطح اطلاعات بیرونی، ما دو گروه اصلی را پیشنهاد میکنیم:
بخشبندی بر مبنای دانش اولیه ضعیف یا بدون دانش اولیه که شامل روشهای طبقه بندی قاعده ای و رأسی و مدلهای تغییرپذیر میباشد.
بخشبندی بر مبنای دانش اولیه قوی که شامل مدلهای تغییرپذیر، شکل فعال و ظهور فعال و اطلس است. روشهای ترکیب کننده دانش اولیه قوی و ضعیف در بخش دانش اولیه قوی طبقه بندی شده اند.
در ادامه، اینکه چطور این طبقه بندی با تفاوتهای جزئی استفاده می شود و چه
شاخص هایی جهت طبقه بندی روشهای مختلف انتخاب میگردد، توضیح میدهیم.
۲-۲-۱- روشهای بخشبندی خودکار
همچنانکه در بالا ذکر شد، بررسی ناحیه مورد نظر[۱۳](ROI) متمرکز روی قلب عموما از تصویر MRI اصلی استخراج می شود تا نیاز به پردازش کل تصویر نباشد. رویکردهای خودکار دو گونهاند: رویکردهای مبتنی بر زمان[۱۴] که از متحرک بودن قلب بهره گرفته و یا تکنیکهای تشخیص شی[۱۵] که هر دو رویکرد در انتقال Hough که تشخیص موقعیت بطن چپ را میسر میسازد مشترک هستند [۹-۷].
هنگام استفاده از بعد زمان، تفاوت تصویر در کل داده ها تجزیه تحلیل می شود. تصویر حاصله شامل یک ناحیه دایرهای در حول مرز بطن چپ میباشد که توسط انتقال Hough تشخیص داده می شود. برخی مطالعات پیشنهادی، متکی بر تفاوت در محاسبه هستند [۱۰-۹]. با شروع از تصویر اصلی سه بعدی، تفاوت در طول بعد زمان با انحراف استاندارد در هر همسایگی محاسبه می شود. حداکثر تراکم تصویر سه بعدی حاصل به یک تصویر دو بعدی تبدیل شده (روش otsu) و چندین بار بزرگ می شود. سطح جذب ناحیه نهایی بدست آمده، ROI دو بعدی نهایی است [۷،۹،۱۱].
شکل ۲-۱. محاسبه خودکار ROI در تصویر MRI با روش تصویر منتخب ژورنال Elsevier
برخی مؤلفان، روشی بر اساس آنالیز فوریه[۱۶] تصویر را پیشنهاد دادهاند که تصویری را از ساختارهای متحرک فراهم می کند از آنجائیکه قلب تنها عضو متحرک در تصاویر MRI است، پردازش اولین تصویر هماهنگ امکان مکان یابی قلب را فراهم می کند [۹،۱۲].
برخلاف رویکردهای مبتنی بر زمان که صرفاً بر اطلاعات MRI تکیه دارند، تکنیکهای تشخیص شی مستلزم مرحله ای تحلیلی است. اصول آنها استخراج پنجرههای مستطیلی از تصویر برای محاسبه ویژگیهای آنها و آموزش طبقه بندی کننده تا آنهایی را بپذیرد که شامل قلب و نه بقیه تصاویر باشد [۱۳]. یک روش پیشنهادی دیگر مبتنی بر رویکرد جالب تشخیص چهره است که حاوی توصیف زیر پنجرهها و آبشاری از طبقه بندی کننده های adaboost می باشد [۱۴].
۲-۲-۲- روشهای نیمه خودکار
۲-۲-۲-۱- بخشبندی با دانش ضعیف یا بدون دانش
در این بخش روشهای بخشبندی با دانش اولیه ضعیف یا بدون دانش اولیه را گردآوری کرده که شامل مدلهای مبتنی بر تصویر[۱۷]، طبقه بندی پیکسل[۱۸] و مدلهای متغیر[۱۹] میباشد.
۲-۲-۲-۱-۱- روشهای مبتنی بر تصویر
همچنان که در بخش ۱-۲ دیده شد، مرزهای اندوکاردیال و اپی کاردیال مشکلات بخشبندی خاص خود را دارند. بسیاری ازروشهای مبتنی بر تصویر بر اساس پردازش متفاوت و جداگانه آنهاست و از اینرو روشهای ویژهای در اندوکاردیوم بطن چپ پیشنهاد می کند. اولین گام، یافتن مرز اندوکاردیال با حد آستانه [۱۸-۱۵] و یا برنامه ریزی پویا[۲۰] DP[25-19] میباشد. شکل هندسی مدور بطن چپ باعث تسهیل استفاده از DP شده است. چندین راه حل به منظور وارد نکردن عضلات پاپیلاری پیشنهاد شده است: محاسبه سطح محدب حد فاصل کانتورها، کاربرد مورفولوژی ریاضی [۲۶،۲۷]، اصلاحاتی همچون باز و بسته کردن در سطح حد فاصل و یا منطبق کردن یک منحنی پارامتری در حد فاصل، تا سطح آن هموارتر شود.
اپیکاردیوم در طی دومین مرحله مشخص می شود که اغلب متکی بر سطح اندوکاردیال است که عملگرهای مورفولوژی ریاضی را استفاده می کنند. دقت کنید جهت شروع آنها، بیشتر روشها متکی بر یک مداخله ساده کاربر مثل تنظیم مرکز بطن چپ یا کشیدن دوایر دور یک کانتور میوکاردیوم میباشد. زمانیکه حدفاصلها بطور یکسان پردازش شوند، پردازش با سطوحی که بطور دستی روی اولین تصویر کشیده شده است آغاز میگردد. کانتورهای دستی سپس از طریق تماس تصاویر متعاقب با بهره گرفتن از جداسازی و سپس ادغام، ثبت non- rigid و یا DP چند بعدی منتشر می شود. هر نمونه بطور جداگانه در طی زمان با تعیین جستجو دنبال می شود [۲۹-۲۸].
آستانهگیری: یکی از معمولترین روشها برای بخشبندی تصویر روش آستانهگیری است که به صورت معمول برای بخشبندی یک تصویر داخل دو یا بیشتر از دو ناحیه استفاده می شود [۳۰]. روشهای آستانهگیری می تواند داخل دو گروه مختلف تقسیم شوند: روشهای آستانهگیری بهینه [۳۱] و روشهای آستانهگیری بر اساس ویژگی [۳۲]. جستجوی گروه قدیمیتر برای آستانههای بهینه این است که برای اینکه به ویژگیهای مطلوب دست پیدا کنند کلاسهای آستانهگیری روی هیستوگرام ایجاد می کنند. معمولا این بوسیله بهینهسازی یک تابع هدف انجام می شود. گروه جدیدتر آستانهها را بوسیله اندازه گیری بعضی از ویژگیهای انتخاب شده از هیستوگرام ایجاد می کنند. روشهایی که بر اساس آستانهگیری بر اساس ویژگی عمل می کنند سریع هستند، که برای آستانهگیری چند سطحی نیز مفید میباشند. روشهای مختلفی در مقالات برای حل مسئله آستانهگیری بهینه ارائه شده است [۳۳،۳۴]. همچنین روش اتسو و چندین روش الهام گرفته از بیولوژیک برای بخشبندی تصاویر مورد استفاده قرار گرفته است [۳۵]. الگوریتمهای الهام گرفته از بیولوژیک در شرایطی که روشهای بهینهسازی قدیمی نمی توانند یک حل رضایتبخش را پیدا کنند استفاده میشوند. برای مثال وقتی تابعی که باید بهینه شود ناپیوسته باشد و یا پارامترهای وابسته غیر خطی زیادی حضور داشته باشند، این روشها مفید هستند.
۲-۲-۲-۱-۲- روشهای مبتنی بر طبقه بندی پیکسل
در بخشبندی تصاویر پزشکی، طبقه بندی پیکسل بیشتر هنگامی استفاده می شود که تصاویر متعدد از یک موضع یکسان در دسترس هستند. هر همسایگی با چندین ویژگی تکمیلی توصیف می شود. تصویر به ناحیه یا کلاسهایی تقسیم می شود که حاوی پیکسلهایی است که ارزشهای عددی نزدیکی دارند. ویژگیها معمولاً ارزشهای عددی سطوح خاکستری بوده و بخشبندی اغلب با بهره گرفتن از تکنیکهای استاندارد که GMM[36] و خوشهبندی[۲۱] هستند انجام می شود. در طی پردازش بخشبندی، روشها فرضهایی در ارتباط با موقعیت حفره، به منظور جبران فقدان اطلاعات فضایی استفاده می کنند. همچون روشهای مبتنی بر تصویر، هر دو سطح کانتور بطور جداگانه پردازش میشوند.
اصول GMM، منطبق کردن هیستوگرام تصویر با ترکیبی از گوسینها با بهره گرفتن از الگوریتم EM میباشد [۳۷]. تعداد گوسینها که با تعداد حالات هسیتوگرام منطبق است، بایستی در ابتدا متناسب شود. معمولاً بین ۲ تا ۵ حالات متناسب انتخاب میشوند. اثر نسبی حجم می تواند مسئول افزایش گوسینها و معرف حجم نسبی بین میوکاردیوم و خون، میوکاردیوم و هوا باشد. الگوریم EM با بهره گرفتن از گام اولیه مکان یابی قلب با بهره گرفتن از اطلس آغاز می شود. نتایج بخشبندی EM می تواند در ماتریس پویا قرار گیرد [۳۸]. رویکرد خوشهبندی شامل جمع آوری اطلاعات در خوشه ها در یک موضع است. خوشهبندی می تواند با الگوریتم میانگین k-mean)- (k انجام شود. پس از بدست آوردن ناحیههای خوشهای جداگانه، حفره بطن چپ یا محاسبه فاصله حلقه محاسبه می شود [۳۹].
