طبقه بندی هماتوم ها در تصاویر CT مغز با استفاده از شبکه عصبی SVM

امروزه در دانش پزشکی، جمع آوری داده ها در مورد بیماری های مختلف و استخراج دانش نهفته ازطریق شناسایی الگوها و ارتباط مختلف بین عناصر پایگاه داده، در آنها از اهمیت فراوانی برخورداراست . هماتوم در آسیب های مغزی امری متداول تلقی می شود. یک سیستم طبقه بندی و کشف خودکار می تواند به پزشکان در تجزیه و تحلیل تصاویر پزشکی کمک کند. CT اسکن به دلیل هزینه ی کم،دسترسی گسترده، اسکن کردن سریع و کنتراست برتر روش ترجیحی در آسیبهای مغزی بشمار می رود. در این مقاله به سیستم خودکار کشف و طبقه بندی نوع هماتوم با استفاده از ماشین بردار پشتیبان 1 ،درمورد تصاویر CT بیماران مختلف پرداخته می شود. ماشین بردار پشتیبان یکی از روش های یادگیری بانظارت است که از آن برای انواع طبقه بندی و رگرسیون استفاده می کنند؛ این روش کارایی خوبینسبت به روش های قدیمی تر ازجمله شبکه های عصبی پرسپترون دارد. ماشین بردار پشتیبان نوع خاصی از شبکه های عصبی هستند که برخلاف انواع شبکه های عصبی مانند MLP و RBF به جایکمینه کردن خطا ، اقدام به کمینه کردن ریسک عملیاتی طبقه بندی می کند .روش کار این سیستم شامل چهار مرحله می باشد، نخست پیش پردازش در مورد تصاویر CT مغز انجام می شود، در مرحله یدوم، هیستوگرامی بر مبنای مراکز ثقل، برای الگوریتم خوشه بندی k-means ، ایجاد می شود تا تصویر را در دسته های مختلف بر اساس مقادیر تراکم پیکسل ها بخش بندی نمایند. مرحله ی سوم شامل استخراج ویژگی ها از تصویر بخش بندی شده می باشد. در مرحله ی چهارم، شبکه ی عصبی مصنوعی بر طبق ویژگیهای استخراج شده از تصویر، ایجاد شده و پس از آموزش، قادر خواهد بود انواع هماتوم را بر اساس ویژگی هایشان طبقه بندی کند.

کلیدواژه ها:

شبکه ی عصبی مصنوعی 2 ، ماشین بردار پشتیبان ، هماتوم ، هیستوگرام ، خوشه بندی meansK-