استخراج خودكار توپوگرافي لبه در تصاوير پزشكي به كمك الگوريتم بهينه سازي كلوني مورچه و تكنيك هاي پردازش تصوير

Automatic Extraction of Edge Topography in Medical Images Using Ant Colony Optimization Algorithm and Image Processing Techniques

آشكارسازي لبه در پردازش تصوير از تكنيك هاي اساسي در بخش بندي، جداسازي و درك موقعيت بخش هاي ويژه از تصوير است. وجود نويز و به هم ريختگي ساختاري در اثر ضعيف بودن كنتراست محلي تصاوير پزشكي از اصلي ترين دلايلي به شمار مي روند كه عملگرهاي كنوني قادر نباشند به درستي لبه را در اينگونه تصاوير آشكار سازند. در اين مقاله از الگوريتم فرا اكتشافي كلوني براي يافتن لبه در تصاوير پزشكي استفاده شده كه همگرايي سريع آن در دستيابي به پاسخ بهينه و پارامترهاي مقاوم آن در مقدار دهي اوليه سبب شده تا الگوريتمي كارآمد طراحي گردد. با گسيل مورچه ها به سمت پيكسل هاي تصوير و تكيه بر مشخصه هاي لبه، ماتريس فرومون ساخته مي شود كه در بردارنده اطلاعات مربوط به بافت آسيب ديده است. در مرحله ارزيابي سيستم پيشنهادي، با دريافت 220 مغز تصوير پزشكي مركب از 90 تصوير شبكيه چشم افراد ديابتي، 80 تصوير MRI مغز و 50 تصوير تصوير ميكروسكوپي از پايگاه هاي پزشكي گوناگون، در سطح قابل قبولي و در مقايسه با عملگرهاي چون Sobel و Canny، دقتي برابر با در 94/90% حساسيت، 94/16% و ويژگي 94/00% حاصل آمد. ضريب كاپاي برابر با 88/79% نشان دهنده ضريب اطمينان بالاي سيستم در عملكرد است. بكارگيري روش تركيبي كنوني در پردازش تصاوير سبب شده حتي در تصاوير با شدت نويز بالا، دقت تا حد چشمگيري افزايش يابد و ميانگين متوازن دقت و حساسيت معنادار باشد. استخراج دقيق بخش پاتولوژيك تصاوير پزشكي، پزشك متخصص را قادر مي سازد تا مرحله پيشرفت بيماري احتمالي را تعيين كند و نحوه درمان متناسب با رشد بيماري را پيشنهاد دهد.

Edge detection in image processing is one of the main techniques used in segmentation, separation and detection of the special parts of the image. The presence of noise and structural anomaly due to the weak local contrast of the medical images are of the reasons that prevent the current operators from accurate detection of the edge in these images. In this paper, the meta-heuristic colony algorithm has been used for edge detection in medical images. Rapid convergence to obtain the optimal solution along with the parameters resistant to initialization has increased the efficiency of the algorithm. In different parts of the image, especially the part with pathological damage, the edge is assumed as ant’s food. Receiving 220 medical images composed of 90 retina images taken from diabetic patients, 80 MRI images as well as 50 microscopic images taken from various medical databases and applying system to them in contrast to such known operators as Canny and Sobel, an acceptable level of accuracy 94.90%, sensitivity 94.16% and specificity 94% was separated in the target area from the rest of image. The 88.79% Kappa coefficient indicates the high reliability factor of system in terms of performance. The use of the current combination method for processing of the images has increased the accuracy even in images with high brightness, rendering the F-Measure significant. The accurate extraction of pathological parts from medical images allows the specialist to determine the disease progression stage, and suggest an appropriate treatment in accordance with the disease growth.