مقاله سال ۲۰۱۶

Special Issue: Simulation of Digital Image Processing in Medical Applications

ما با هدف کشف افراد دارای فلج چند گانه (MS) از کنترل های سالم (HC) در تصویر برداری رزنانس مغناطیسی یک سیستم جدید را بر اساس فراگیری ماشین توسعه داده ایم . داده تصویر برداری MS از لابراتوار eHealth در دانشگاه قبرس دانلود شده بود و داده تصویر برداری HC در بیمارستان محلی ما با داوطلباتی اسکن شده بود که از بر اساس تبلیغات نام نویسی کرده اند . عادی سازی اسکن درونی برای حذف اختلاف سطح خاکستری بکار گرفته شد . ما هزینه های دسته بندی اشتباه را تنظیم می نماییم تا تاثیر توزیع دسته نامتوازن را بر عملکرد دسته بندی کاهش دهیم . ما از انتروپی موجک ایستاء دو سطحی (SWE) استفاده کرده ایم تا خصیصه های تصاویر مغزی را استخراج نماییم . سپس ما سه دسته کننده مبتنی بر فراگیری ماشین را مقایسه کرده ایم که عبارتند از : درخت تصمیم ، نزدیک ترین همسایه ها (KNN ) و ماشین بردار پشتیبانی . نتایج آزمایشی یک kNN را که در میان کل سه دسته کننده به بهترین نحو اجراء شده اند را نشان داده اند . بعلاوه ، رویکرد SWE + kNN پیشنهادی با چهار رویکرد با جدید ترین تکنولوژی در اولویت قرار دارد . رویکرد کشف MS پیشنهادی ما موثر است .

۱ – مقدمه
فلج چندگانه (MS ) یک بیماری با آسیب خراب شدن میلین (myelin) می باشد که بواسطه آسیب به پوشش عایق کننده سلول های عصبی در سیستم عصبی مرکزی (۱-۴ ) ایجاد شده است . نشانه های بیماری بر حسب نوع افراد متفاوت هستند و عمدتا شامل ناتوانی فیزیکی(۵) و مشکلات ذهنی(۶) می باشند . بیماران به طور خاص ممکن است دچار اختلال بینایی(۷) ، آسیب شبکیه ای(۸) ، دید رنگ معیوب (۹)، ضعف عضلانی ، خستگی ، افسردگی(۱۰) و غیره شوند .
کشف آسیب شدید بافت به دلیل ماده سفید با شکل ظاهری عادی (NAWM) با تکنیک تصویر برداری رزنانس مغناطیسی معمولی دشوار می باشد یعنی مناطق ماده سفید غیر عادی دارلی ظاهر معمولی می باشند . این پارادوکس رادیولوژیکی کلینیکی یک چالش برای نورو رادیولوژیست ها ( رادیولوژیست های عصب ) محسوب می گردد . یک تکنیک جدید و بدیع وجود دارد که می تواند نرخ تشخیص بهتر را در پایش MS نسبت به تفسیر انسان ارایه نماید .