عنوان پایان‌نامه
تشخیص لوسمی لنفوئیدی حاد با استفاده از روش های پردازش تصویر
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2557;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 65285
- تاریخ دفاع
- ۱۲ مرداد ۱۳۹۳
- دانشجو
- امین آقابالی
- استاد راهنما
- تورج عباسیان نجف آبادی
- چکیده
- لوسمی معروف به سرطان خون، یا سرطان مغز استخوان (تولید کننده ی سلول های خونی) می باشد. در این بیماری DNA مربوط به سلول های رشد نایافته به خصوص سلول های سفید، به طرق مختلف آسیب میبینند. سرطان خون از نوع لنفوئیدی حاد بیشتر در کودکان رخ می دهد. از آنجایی که علامت و نشانه-های بیماری لوسمی بسیار شبیه به بیماری¬های دیگر می باشد، امکان تشخیص اشتباه توسط پزشک و پاتولوژیست زیاد می باشد. به علاوه، فاکتورهایی مانند تجربه و خستگی پاتولوژیست می تواند منجر به بروز خطا در پروسه ی تشخیص بیماری بشود. با استفاده از تکنیک های پردازش تصویر می توان ویژگی های تصاویر مربوط به سلول های سفید خونی را بهبود بخشید و به پاتولوژیست در تشخیص دقیق تر کمک کرد. در این پایان نامه، در ابتدا مورفولوژی سلول های سالم و بیمار مورد بررسی قرار گرفته است. سپس با روش فازی سی مین کلاسترینگ بخش بندی هسته ی سلول های سفید انجام شده است. در ادامه ویژگی های مختلفی از تصاویر استخراج شده و 7 ویژگی جدید که در کارهای مشابه استفاده نشده بودند استخراج و به ویژگی های قبلی افزوده شده است و با استفاده از آن ها دقت طبقه بندی بهبود یافته است. در قدم بعدی، پس از اینکه استخراج ویژگی ها انجام شد، از سه طبقه بندی کننده ماشین بردار پشتیبانی ، بیزی و شبکه عصبی برای طبقه بندی سلول های سالم و بیمار استفاده شده است. طبقه بندی کننده ی ماشین بردار پشتیبانی با دقت حدود 94 درصد بهترین عملکرد در طبقه بندی سلول های سالم و بیمار را داشته است. در مرحله ی بعد، از روش های انتخاب ویژگی برای مقایسه ی سلول های سالم و بیمار استفاده شده است. بهترین انتخاب ویژگی توسط روش جلورونده ی شناور انجام شده است. ویژگی های میانگین رنگ فضای HSV، انرژی، محیط، پویایی، پیچیدگی، تراکم، بعد هاسدروف، نسبت مساحت هسته به کل سلول، همگنی، مساحت و سختی توسط روش انتخاب جلورونده ی شناور انتخاب شده اند. با استفاده از این ویژگی ها دقت طبقه بندی به حدود 96 درصد بهبود پیدا کرده است. در پایان برای بررسی تاثیر هر ویژگی در جداسازی سلول های سالم و بیمار، مقادیر p مربوط به ویژگی ها محاسبه و مقایسه شده اند. نتایج نشان میدهد که همگنی و ناهمواری می توانند به ترتیب به عنوان موثرترین و کم تاثیرترین ویژگی ها در طبقه-بندی در نظر گرفته شوند. در ضمن، با استفاده از بررسی مقادیر p معلوم شد که هنگام کار با میانگین رنگ ها، استفاده از میانگین رنگ در فضای HSV موثرتر از میانگین رنگ در فضای RGB می باشد. کلید واژه: لوسمی لنفوئیدی حاد، کلاسترینگ فازی سی-مین، استخراج ویژگی، طبقه بندی سلول های سالم و بیمار، انتخاب ویژگی، بررسی مقادیر p.
- Abstract
- Acute Lymphoblastic Leukemia (ALL) mostly occurs in childhood. Since symptoms of ALL are similar to some other disorders, wrong diagnosis may happen by pathologists. In addition, some factors such as tiredness and experience of pathologists can lead to some mistakes during diagnoses. Using image processing techniques can improve identification of different features in white blood cells images and assist pathologists to have more accurate diagnoses. In this work, first we have studied morphology of normal and abnormal cells. Then, by using fuzzy C-mean clustering segmentation of white blood cells’ nucleus has been done. Next, different features are extracted from images and we have extracted and added seven features that have not been used in similar works. Afterwards, after feature extraction, we have used SVM classifier, Bayesian classifier and neural network to classify normal and abnormal cells. The best result has been obtained by using SVM classifier with the accuracy of 94.23 percent. Then, feature selection methods have been used to select effective features. The best feature selection method has been done by using floating forward selection. Selected features are mean of RGB color, energy, perimeter, mobility, complexity, compactness, hausdorff dimension, ratio of nucleus area to cell area, homogeneity, area and solidity. By using these features the accuracy of classification has been improved to 96.15 percent. Finally, in order to evaluate the effect of each feature for separating normal and abnormal blood cells, p-values have been calculated and compared to each other. The results show that homogeneity and irregularity can be considered as the most and the least effective features, respectively. We have also found that using HSV color space is more effective than using RGB color space, when dealing with color mean. Keywords: Acute Lymphoblastic Leukemia, Fuzzy C-Mean Clustering, Feature Extraction, Classification of Healthy and Unhealthy Cells, Feature Selection, p-value.
