ارایه‌ی یک روش جدید و کارامد در تشخیص اتوماتیک سلول‌های لوسمی حاد لنفوئیدی (ALL) با استفاده از تلفیق شاخص‌های آشوب‌گونه، هندسی و آماری

نوع مقاله : مقاله های پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، کمیته‌ی تحقیقات دانشجویی، گروه بیوالکتریک و مهندسی پزشکی، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

2 دانشیار، گروه بیوالکتریک و مهندسی پزشکی، دانشکده‌ی فن‌آوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

3 دانشیار، گروه پاتولوژی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

چکیده

مقدمه: لوسمی حاد لنفوئیدی (Acute lymphocytic leukemia یا ALL) یکی از شایع‌ترین انواع سرطان خون در میان کودکان می‌باشد. با توجه به تعداد زیاد آزمایشگاه‌های تشخیص طبی، به نظر می‌رسد در آزمایشگاه‌هایی که فرد خبره‌ای به منظور تشخیص نهایی ALL حضور ندارد، نرم‌افزار می‌تواند ابزار مناسبی در جهت اهداف کمک تشخیصی باشد. هدف از انجام پژوهش حاضر، استفاده از خصوصیات هندسی و آماری هسته‌ها در ایجاد یک سیستم تشخیص اتوماتیک دقیق بود.روش‌ها: در این مطالعه با استفاده از الگوریتم تقطیع اتوماتیک، هسته‌ی سلول‌های سرطانی از تصاویر موجود جدا شد. با توجه به این که ویژگی‌های آشوب‌گونه باعث تمایز معنی‌داری در الگوهای رشته‌ای و لبه‌ها می‌گردد، در مرحله‌ی بعد سه دسته ویژگی هندسی، آماری و آشوب‌گونه از سلول‌ها استخراج گردید. به منظور تشخیص و طبقه‌بندی، الگوریتم ماشین بردار پشتیبان (Support vector machines یا SVMs) برای طبقه‌بندی مورد استفاده قرار گرفت.یافته‌ها: روش پیشنهادی بر روی 312 تصویر میکروسکوپی شامل سلول‌های سالم و سرطانی مورد ارزیابی قرار گرفت. یافته‌ها، صحت بالای ۹۲ درصد و دقت بالای ۹۳ درصد در شش گروه سلول را نشان داد. بررسی سطح زیر منحنی (Receiver operating characteristic یا ROC) نشان دهنده‌ی کارایی بالای ۹۱ درصد در روش پیشنهادی بود.نتیجه‌گیری: نتایج نشان دهنده‌ی کارامد بودن ویژگی‌های مذکور در طبقه‌بندی سلول‌های ALL است. از جمله امتیازات استفاده از ویژگی‌های آشوب‌گونه می‌توان به ایجاد تمایز در هسته‌ی سلول‌های سالم و سرطانی (که در اندازه و کروماتین تفاوت دارند) و استفاده از ویژگی‌های شکل ناهمگون سیتوپلاسم سلول‌های سالم اشاره نمود.

کلیدواژه‌ها

عنوان مقاله [English]

A Novel and More Efficient Approach for Automatic Diagnosis of Acute Lymphoblastic Leukemic Cells based on Combining Geometrical and Statistical Features of Blood Cells

نویسندگان [English]

  • Mohamad Reza Abbasi 1
  • Saeed Kermani 2
  • Ardeshir Talebi 3
1 MSc Student, Student Research Committee, Department of Bioelectric and Biomedical Engineering, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
2 Associate Professor, Department of Bioelectric and Biomedical Engineering, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
3 Associate Professor, Department of Pathology, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
چکیده [English]

Background: Acute lymphoblastic leukemia (ALL) is one of the most common types of leukemia among children. Due to the large number of clinical laboratories, in those with no expert pathologist for diagnosis of leukemia, software can be a useful tool for diagnostic purposes. The aim of this study was to create an automatic detector to help diagnosis process.Methods: Using automatic segmentation algorithm, the nucleus of blast and lymphocyte cells were separated from existing images. As the chaotic characteristic caused significant difference in edges and string patterns, three geometrical, statistical, and chaotic features were derived from cells. In order to diagnosis and classification, support vector machine algorithm was used and the accuracy of classification was investigated using receiver characteristic operating curves (ROC).Findings: This study was conducted on 312 microscopic images including blast and lymphocyte cells. There was a specificity of more than 92% and an accuracy of more than 93% in six cell groups. In addition, checking out the area under the ROC curve represented more than 91% efficiency for suggested method.Conclusion: The findings indicate the effectiveness of these features in classification. Differentiation of blast and lymphocyte cells, that are different only in size of chromatin, and also uneven shape of lymphocyte cytoplasm, are of the advantages of using chaotic features.

کلیدواژه‌ها [English]

  • Acute lymphoblastic leukemia (ALL)
  • Chaos
  • Support Vector Machine
  • Pattern recognition

مراجع

  1. Bain BJ. A beginner's guide to blood cells. 2nd ed. Hoboken, NJ: Wiley-Blackwell; 2004. p. 64-5.
  2. Hall JE. Guyton and Hall textbook of medical physiology. 13th ed. Philadelphia, PA: Saunders; 2015.
  3. Haworth C, Heppleston AD, Morris Jones PH, Campbell RH, Evans DI, Palmer MK. Routine bone marrow examination in the management of acute lymphoblastic leukaemia of childhood. J Clin Pathol 1981; 34(5): 483-5.
  4. Moradi Amin M, Kermani S, Talebi A, Oghli MG. Recognition of acute lymphoblastic leukemia cells in microscopic images using k-means clustering and support vector machine classifier. J Med Signals Sens 2015; 5(1): 49-58.
  5. Moradi Amin M, Memari A, Samadzadehaghdam N, Kermani S, Talebi A. Computer aided detection and classification of acute lymphoblastic leukemia cell subtypes based on microscopic image analysis. Microsc Res Tech 2016; 79(10): 908-16.
  6. Moradi Amin M, Samadzadehaghdam N, Kermani S, Talebi A. Enhanced recognition of acute lymphoblastic leukemia cells in microscopic images based on feature reduction using principle component analysis. Frontiers in Biomedical Technologies 2015; 2(3): 128-36.
  7. Ghane N, Vard A, Talebi A, Nematollahy P. Classification of effective cells in diagnosis of chronic myeloid leukemia (CML) using semi-automatic image processing of microscopic images. J Isfahan Med Sch 2017; 34(405): 1304-10. [In Persian].
  8. Saeedizadeh Z, Mehri DA, Talebi A, Rabbani H, Sarrafzadeh O, Vard A. Automatic recognition of myeloma cells in microscopic images using bottleneck algorithm, modified watershed and SVM classifier. J Microsc 2016; 261(1): 46-56.
  9. Mohapatra S, Patra D, Satpathy S. An ensemble classifier system for early diagnosis of acute lymphoblastic leukemia in blood microscopic images. Neural Comput Appl 2014; 24(7): 1887-904.
  10. Al-Kadi OS. A fractal dimension based optimal wavelet packet analysis technique for classification of meningioma brain tumours. Proceedings of the 16th IEEE International Conference on Image Processing (ICIP) 2009; 2009 Nov 7-10; Cairo, Egypt. p. 4177-80.
  11. Napolitano A, Ungania S, Cannata V. Fractal Dimension estimation methods for biomedical images. INTECH Open Access Publisher; 2012.
  12. Al-Kadi OS, Watson D. Texture analysis of aggressive and nonaggressive lung tumor CE CT images. IEEE Trans Biomed Eng 2008; 55(7): 1822-30.
  13. Otsu N. A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions on Systems, Man and Cybernetics 1979; 9(1): 62-6.
  14. Suykens JAK, Vandewalle J. Least Squares Support Vector Machine Classifiers. Neural Process Lett 1999; 9(3): 293-300.
  15. Fawcett T. ROC graphs: Notes and practical considerations for researchers. ReCALL 2004; 31(HPL-2003-4): 1-38.
مجله دانشکده پزشکی اصفهان
دوره 35، شماره 433 - شماره پیاپی 433
مرداد و شهریور 1396
صفحه 643-647

فایل ها

سابقه مقاله

  • تاریخ دریافت: 27 بهمن 1395
  • تاریخ بازنگری: 11 آبان 1403
  • تاریخ پذیرش: 17 فروردین 1401

هم رسانی

ارجاع به این مقاله

آمار