دانشگاه علوم پزشکی و خدمات بهداشتی-درمانی استان اصفهان مجله دانشکده پزشکی اصفهان 1027-7595 35 448 2017 10 23 Segmentation of Effective Cells in Multiple Myeloma Cancer Using Deformable Models and K-Means Clustering بخش‌بندی سلول‌های مؤثر در سرطان میلوم متعدد با استفاده از مدل‌های تغییر شکل‌پذیر و خوشه‌بندی K-Means 1276 1282 15363 FA حدیث گل‌محمدی دانشجوی کارشناسی ارشد، گروه بیوالکتریک و مهندسی پزشکی و کمیته‌ی تحقیقات دانشجویی، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران علیرضا ورد استادیار، گروه بیوالکتریک و مهندسی پزشکی، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران اردشیر طالبی دانشیار، گروه پاتولوژی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران 0000-0001-7313-5086 Journal Article 2017 09 19 Background: Multiple myeloma is the second most common hematopoietic cancer. This disease is caused by the cancerous category of cells called plasma cells. Detecting and counting plasma cells provide valuable information for pathologists to diagnose this disease. The manual counting and considering of plasma cells are time consuming and due to the tedious nature of this process, it is subject to error. Thus, a computer-aided tool for pathologists to help in the diagnostic process can be very useful. For this purpose, this research presented a computer tool for segmentation of effective cells in multiple myeloma from microscopic images.Methods: In proposed method, after improving the quality of the images using histogram matching and median filter, the cells were extracted using the Chan-Vese deformable model. In addition, for splitting touching cells, the Modified Watershed algorithm was used. Then, the nuclei were extracted applying the k-means clustering method.Findings: The proposed method was evaluated on 30 microscopic images containing 370 cells. The calculated results of the proposed method showed that similarity measures, sensitivity, precision, accuracy and Dice Similarity Coefficient (DSC) respectively were 89.01%, 89.95%, 97.71%, 98.63%, and 93.86% for cell segmentation, and 91.43%, 92.48%, 96.13%, 98.53%, and 95.47% for nucleus segmentation.Conclusion: In this research, a novel method was presented for segmentation and extraction of effective cells in the diagnosis of multiple myeloma cancer from microscopic images using deformable models and clustering method. The evaluation results show that the proposed algorithm have improved segmentation performance compared to the previous methods. مقدمه: میلوم متعدد (Multiple Myeloma)، دومین سرطان خونی شایع است. این بیماری، به علت سرطانی شدن دسته‌ای از سلول‌ها به نام پلاسماسل‌ها (Plasma cells) ایجاد می‌شود. شناسایی و شمارش پلاسماسل‌ها، اطلاعات ارزشمندی را به منظور تشخیص این بیماری برای پاتولوژیست‌ها فراهم می‌کند. فرایند شمارش و بررسی دستی پلاسماسل‌ها، زمان‌بر و با توجه به طبیعت خسته کننده‌ی آن، در معرض خطا می‌باشد. به همین دلیل، وجود ابزاری کامپیوتری در کنار پاتولوژیست به منظور کمک در بخش‌بندی و استخراج سلول‌ها، می‌تواند بسیار مفید باشد. از این رو، پژوهش حاضر با هدف ارایه‌ی یک ابزار کامپیوتری برای بخش‌بندی سلول‌های مؤثر در بیماری میلوم متعدد از روی تصاویر میکروسکوپی انجام شد.روش‌ها: در روش پیشنهادی، پس از بهبود کیفیت تصاویر با استفاده از تطبیق هیستوگرام و فیلتر میانه، سلول‌ها با استفاده از مدل تغییر شکل‌پذیر Chan-Vese استخراج شدند. همچنین، برای بخش‌بندی سلول‌های به هم چسبیده، الگوریتم آب‌پخشان اصلاح شده، استفاده گردید. سپس، هسته‌ها با به کارگیری روش خوشه‌بندی K-means استخراج شدند.یافته‌ها: روش پیشنهادی بر روی 30 تصویر میکروسکوپی، شامل 370 سلول مورد ارزیابی قرار گرفت. نتایج محاسبه شده از روش پیشنهادی، نشان داد که معیار ارزیابی، حساسیت، دقت، صحت و Dice Similarity Coefficient (DSC) به ترتیب 01/89، 95/89، 71/97، 63/98 و 86/93 درصد برای بخش‌بندی سلول و 43/91، 48/92، 13/96، 53/98 و 47/95 درصد برای بخش‌بندی هسته بودند.نتیجه‌گیری: در این پژوهش، روش جدیدی جهت بخش‌بندی و استخراج سلول‌های مؤثر در تشخیص سرطان میلوم متعدد از تصاویر میکروسکوپی با استفاده از مدل‌های تغییر شکل‌پذیر و روش خوشه‌بندی ارایه شد. نتایج ارزیابی نشان می‌دهد که الگوریتم پیشنهادی، عملکرد بخش‌بندی را در مقایسه با روش‌های قبلی بهبود داده است. https://jims.mui.ac.ir/article_15363_a23eabd0e013e2ef19cc27099204ea18.pdf