شناسایی و طبقه‌بندی خودکار نواحی خونریزی مغزی با استفاده از ماشین بردار پشتیبان چند کلاسه در تصاویر سی‌ تی اسکن

نوع مقاله : مقاله های پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مخابرات، دانشکده‌ی مهندسی برق، دانشگاه آزاد اسلامی، واحد نجف‌آباد، اصفهان، ایران

2 استادیار، گروه مخابرات، دانشکده‌ی مهندسی برق، دانشگاه آزاد اسلامی، واحد نجف‌آباد، اصفهان، ایران

چکیده

مقدمه: خونریزی مغزی ناشی از ضربه به سر، یکی از عوامل شایع مرگ و میر می‌باشد. تشخیص به موقع محل و نوع خونریزی از اهمیت زیادی برخوردار است؛ به طوری که نجات جان این بیماران به طور کامل به تشخیص زودهنگام محل و نوع خونریزی بستگی دارد. در این مقاله یک روش خودکار شناسایی و طبقه‌بندی نواحی خونریزی مغزی به منظور ارتقای دقت و سرعت تصمیم‌گیری پزشک معرفی شده است.روش‌ها: ابتدا از یک روش ناحیه‌بندی برای شناسایی و جداسازی خونریزی از سایر قسمت‌های مغز استفاده شد. پس از آن به استخراج ویژگی‌های گوناگون از هر ناحیه‌ی خونریزی پرداخته شد و سپس با کمک الگوریتم ژنتیک، بهترین آن‌ها جهت تحویل به یک طبقه‌بند انتخاب گردیدند. تصاویر مورد استفاده در این تحقیق، از دستگاه سی تی اسکن بیمارستان کاشانی جمع‌آوری شدند و مربوط به 70 بیمار زن و مرد بین گروه سنی 60-15 سال بودند. این افراد، مشکوک به خونریزی‌های اپی‌دورال، ساب‌دورال، اینتراسربرال، داخل بطنی و یا بدون خونریزی (سالم) بودند.یافته‌ها: با استفاده از روش شناسایی و طبقه‌بندی پیشنهادی، صحت شناسایی انواع خونریزی EDH (Eextradural haematoma)، ICH (Intracerebral hemorrhage)، SDH (Subdural haemorrhage) به ترتیب مقادیر 87/96، 10/96 و 15/92 درصد به دست آمد. همچنین خونریزی IVH (Intraventricular hemorrhage) با صحت 82/91 شناسایی و از بقیه‌ی انواع خونریزی جدا شد. در مرحله‌ی طبقه‌بندی، صحت طبقه‌بندی و تشخیص نوع هر یک از انواع خونریزی 13/94 درصد به دست آمد.نتیجه‌گیری: در این مقاله، یک روش مستقل و خودکار شناسایی و طبقه‌بندی خونریزی مغزی ارایه شده است. روش ارایه شده تلاشی در جهت ارتقای دقت تشخیص پزشکان و تسریع تصمیم‌گیری آن‌ها به منظور نجات جان بیماران است. با استفاده از روش ارایه شده، 4 نوع خطرناک خونریزی در تصاویر سی تی اسکن تشخیص داده و انواع آن‌ها طبقه‌بندی شدند که از این طریق، فرایند درمان بیماران مبتلا به ضربه‌ی مغزی تسریع می‌گردد. 

کلیدواژه‌ها


عنوان مقاله [English]

Automatic Segmentation and Classification of Brain Hemorrhage Regions Using Multi-class Support Vector Machine in Computed Tomography (CT-Scan) Images

نویسندگان [English]

  • Bahareh Shahangian 1
  • Hossein Pourghassem 2
1 MSc Student, Department of Telecommunications, School of Electrical Engineering, Islamic Azad University, Najafabad Branch, Isfahan, Iran
2 Assistant Professor, Department of Telecommunications, School of Electrical Engineering, Islamic Azad University, Najafabad Branch, Isfahan, Iran
چکیده [English]

Background: Brain hemorrhage due to head trauma is one of the most common causes of death. Early diagnosis of location and type of brain hemorrhage is crucial. For saving the patients completely, it is necessary to detect the correct location and type of the hemorrhage in an early stage. In this study, we introduced an automatic brain hemorrhage detection and classification algorithm to improve and accelerate the process of physicians’ decision-making.Methods: To achieve the purpose, at first a segmentation algorithm was usedto detect and separate the hemorrhage regions from other parts of the brain. Then, a number of appropriate features from each detected hemorrhage region were extracted and then by using genetic algorithm, the most convenient features were selected. The utilized computed tomography (CT-scan) images in this research were collected from Kashani hospital CT-scan center (Isfahan, Iran) and were of 70 men and women between the ages of 15-60 years.Findings: Using the proposed segmentation and classification algorithm, the segmentation accuracy for different types of hemorrhages [epidural (EDH), intracerebral (ICH) and subdural (SDH)] were obtained as 96.87%, 96.10%, 92.15%, respectively. Also, intraventricular hemorrhage (IVH) was detected and separated from other types of hemorrhage with the accuracy rate of 91.82% and classified with accuracy rate of 94.13%.Conclusion: In this research, an independent and automatic brain hemorrhage detection and classification algorithm was assessed. Our proposed algorithm is an attempt to improve and accelerate the process of physicians’ decision-making to save the patients’ lives. By using the proposed algorithm, we were able to detect and classify four kinds of dangerous hemorrhages in CT-scan images and accelerat the process of the victim’s treatment.

کلیدواژه‌ها [English]

  • Brain hemorrhage
  • Segmentation
  • Genetic algorithm
  • k-nearest neighbors (kNN) classifier
  • Support vector machines (SVM) classifier
  1. Hu Q, Qian G, Aziz A, Nowinski W. Segmentation of brain from computed tomography head images. Proceedings of the 27th Annual International Conference of the IEEE-MBS Engineering in Medicine and Biology; 2006 Jan 17-18; Shanghai, China. p. 3375-8.
  2. Lauric A. Soft image segmentation of CT brain data [Thesis]. Medford, MA: Tufts University 2007.
  3. Loncaric S, Cosic D, Dhawan AP. Hierarchical segmentation of CT head images. Proceedings of the 18th Annual International Conference of the IEEE-MBS Engineering in Medicine and Biology; 1996 31 Oct-3 Nov; Amsterdam, Netherlands. p. 736-7.
  4. Majcenic Z, Loncaric S. CT image labeling using simulated annealing algorithm [Online]. [cited 1998]. Available from: URL: https://bib.irb.hr/datoteka/49284.eus98st.pdf. p. 2513-6.
  5. Maksimovic R, Stankovic S, Milovanovic D. Computed tomography image analyzer: 3D reconstruction and segmentation applying active contour models--'snakes'. Int J Med Inform 2000; 58-59: 29-37.
  6. Mancas M, Gosselin B. Towards an automatic tumor segmentation using iterative watersheds. Proceedings of the SPIE 2004; 5370: 1598-608.
  7. Zaki MD, Fauzi FA, Besar R. Abnormalities detection in serial computed tomography brain images using multi-level segmentation approach. Multimedia Tools and Applications 2011; 54(2): 231-40.
  8. Ramteke R, Khachane MY. Automatic medical image classification and abnormality detection using K-Nearest Neighbour. International Journal of Advanced Computer Research 2012; 2(6): 190.
  9. Kharrat A, Gasmi K, Ben Messaoud M, Benamrane N, Abid M. A hybrid approach for automatic classification of brain MRI using genetic algorithm and support vector machine. Leonardo Journal of Sciences 2010; (17): 71-82.
  10. Chowdhury DR, Chatterjee M, Samanta RK. An artificial neural network model for neonatal disease diagnosis. Journal of Artificial Intelligence and Expert Systems 2011; 2(3): 96-106.
  11. Gong T, Liu R, Tan CL, Farzad N, Lee CK, Pang BC, et al. Classification of CT brain images of head trauma. Proceedings of the 2nd IAPR International Conference on Pattern Recognition in Bioinformatics; 2007 Oct 1; Berlin, Germany. p. 401-8.
  12. Sharma B, Venugopalan K. Automatic segmentation of brain CT scan image to identify hemorrhages. International Journal of Computer Applications 2010; 40(10): 1-4.
  13. Osher S, Sethian JA. Fronts propagating with curvature-dependent speed: Algorithms based on Hamilton-Jacobi formulations. Journal of Computational Physics 1988; 79(1): 12-49.
  14. Li C, Xu C, Member S, Gui C, Fox MD. Distance Regularized Level Set Evolution and Its Application to Image Segmentation. IEEE Transactions on Image Processing 2010; 19(12): 3243-54.
  15. Maduskar P, Acharyya M. Automatic identification of intracranial hemorrhage in non-contrast CT with large slice thickness for trauma cases. Proceedings of SPIE 2009; 7260.
  16. Yang M, Kpalma K, Ronsin J. A survey of shap e feature extraction techniques [Online]. [cited 2008 Jul 15]; Available from: URL:
  17. http://hal.archives-ouvertes.fr/docs/00/44/60/37/PDF/ARS-Journal-SurveyPatternRecognition.pdf. p. 43-90.
  18. Shahangian B, Pourghassem H. Automatic brain hemorrhage segmentation and classification in CT scan images. Proceedings of the 8th Conference on Machine Vision and Image; 2013 Sep 10-12; Zanjan, Iran.
  19. Hsu CW, Lin C. A comparison of methods for multiclass support vector machines. IEEE Computational Intelligence Society 2002; 13(2): 415-25.