Professional Documents
Culture Documents
Image segmentation is one of the most important tasks in medical image analysis
and is often the first and the most critical step in many clinical applications. In
liver MRI analysis, image segmentation is commonly used for measuring and
visualizing the liver’s anatomical structures, for analyzing changes, for delineating
pathological regions, and for surgical planning and image-guided interventions. In
the last few decades, various segmentation techniques of different accuracy and
degree of complexity have been developed and reported in the literature. To
address the complexity and challenges of the liver MRI segmentation problem, we
first introduce the basic concepts of image segmentation. Then, we explain
different MRI preprocessing steps including image registration, bias field
correction. The proposed method is successfully tested on many MRI cases
acquired from different patients, in various sizes. Experiments proved the
robustness of the proposed liver segmentation process even on data from different
scanner types. Finally, after reviewing different liver MRI segmentation methods,
we discuss the validation problem in liver MRI segmentation.
Index Terms
INTRODUCTION
Medical diagnosis seeks information from various sources for proper conclusions
on diseases. The sources can be results of clinical tests, patient history, histological
reviews, and imaging techniques. Imaging techniques have contributed a lot to the
development of medical diagnosis. One such safe and easily available technique is
the Ultrasound imaging technique. But the methodology has certain disadvantages,
as the images are not very clear and needs an expert to intervene and segment the
organ from the image. Moreover, the process takes considerable time for the expert
to get the image and to identify the particular part he/she wishes to examine.
Further, the process also causes discomfort to the patient. Delay in diagnosis and
lack of clarity of image are major issues. A great deal of expertise is needed to get
to conclusions using this imaging technique. Liver segmentation is a key condition
and a major step in the diagnosis of liver diseases and surgical planning, whether
the diagnosis or treatments involve surgical ways (surgeries) or non-surgical ways
(medical imaging). Surgical intervention is one of the ultimate treatment options
and surgical planning is considered a major step in successful surgical operations.
For example, tumor removal planning includes quantification of the tumor size, its
location, and trajectories during surgery, in addition to the effect of tumor removal
on other neighboring organs, and the success rate of the surgery. Medical imaging
is considered a non-surgical and painless way in clinical practice for the diagnosis
of some liver diseases [1], [2].
As for medical imaging technology, such as CT and MRI, abdominal images are
represented in gray level rather than color. These are often very noisy that
inevitably, ambiguous boundaries appear between the liver and its adjacent organs,
including abdominal wall, right kidney, heart, stomach and gallbladder.
Sometimes, due to poor quality of imaging, the boundaries completely disappear,
and segmentation becomes very difficult as in Figure 1(b). This raise an urgent
need for a more efficient and accurate volume segmentation technique [3]–[10].
Although liver volume can be calculated using some common formulas such as
Mosteller formula depending on age, weight and height of the patient, these
formulas are not accurate in the case of pathological livers [11].
Over the last few decades, the rapid development of noninvasive liver imaging
technologies has opened new horizons in analyzing and studying the liver anatomy
and function. Enormous progress in accessing liver injury and exploring liver
anatomy has been made using magnetic resonance imaging (MRI). The advances
in liver MR imaging have also provided large amount of data with an increasingly
high level of quality. The analysis of these large and complex MRI datasets has
become a tedious and complex task for clinicians, who have to manually extract
important information. This manual analysis is often time-consuming and prone to
errors due to various inter- or intra operator variability studies. These difficulties in
liver MRI data analysis required inventions in computerized methods to improve
disease diagnosis and testing. Nowadays, computerized methods for MR image
segmentation, registration, and visualization have been extensively used to assist
doctors in qualitative diagnosis [2], [4], [7].
Liver segmentation methods can be classified into three classes [12] in line with
the level of required human interaction. These are automatic methods that require
no user interaction, semi-automatic methods that require some initial user
interaction, and interactive methods (manual) that require full user interaction from
the beginning to end of segmentation. Manual segmentation is a time intensive and
tedious task as it involves working with large amount of image slices and datasets.
Also, the segmentation results rely on the experience and skills of the radiologists
and because of inconsistencies of liver images mentioned earlier, the liver
boundaries may be identified differently by different radiologists and even by the
exact same radiologist at another time. Therefore, several automatic and semi-
automatic liver segmentation methods from medical images have been proposed to
help overcome problems of manual segmentation.
Chen and Foruzan in [13] presented a graph-cut based method to segment the liver
from MR images. K-means clustering was used to automatically obtain the object
(liver) and background (non-liver) seeds (regions) in every slice of the volume
without user interaction. Freiman et al. [14] proposed a new Bayesian probabilistic
level set framework for automatic liver segmentation and liver volume calculation
from CT images. Their proposed unified framework employs an edge indication
function and a novel nonlinear variable force, which is based on probabilistic
distribution at the pixel level and is used to adjust the level set evolution. As for the
liver volume estimation, they used a multi-resolution iterative scheme that
repeatedly applied smoothed Bayesian classification to identify the liver and other
organs.
Ref [15] proposed a level set approach for liver segmentation from abdomen MRI
series images, where shape prior knowledge is combined with the improved Chan-
Vese's model. The proposed approach can overcome the leakage and over-
segmentation problems. Ref [16] presented an automated segmentation of livers
from abdominal CT images, in which an affine invariant shape parameterization is
combined with a geodesic active contour and graph cuts. A geodesic active contour
locally corrects the segmentations of organs in abnormal images of abnormal liver,
while the optimized graph cuts segment the vasculature and hepatic tumors using
shape and enhancement constraints.
Lim et al. [14] proposed an approach for automatic liver segmentation from CT
images for volume liver estimation, where they analyze the intensity distribution of
CT samples to obtain a priori model to determine the coherent regions of the liver.
A morphological filter is recursively applied with region-labeling and clustering to
detect the search range and to generate the initial liver boundary, which then leads
to liver volume estimation.
Rikxoort et al. [16] proposed a method that starts with preprocessing steps to
determine the vertical scan range of the liver and to rotate the scan so that the
subject is in supine position. Then voxel labeling with K-nearestneighbor is
performed, and a final smoothing filter is applied to obtain a fine segmentation.
The method is tested on only 10 test scans.
Platero and Tobar in [17] presented a combination between the probabilistic atlas
and multi atlas segmentation for liver segmentation from CT images. It is based on
minimizing a discrete energy function using graph cuts. Applications often focus
as well on segmenting the vessel and tumor. By using graph cuts method which
can be easily achieved since, when segmenting the vessel or tumor, the
―background‖ liver is homogeneous.
PROPOSED METHOD
Among the different classification approaches that are based on statistical models
is the Bayesian classification. It is one of the most effective and efficient
algorithms and has been successfully applied to many medical problems. Studies
show that Bayesian classification is well suited for medical application and has
high performance rate in most of the examined medical problems [11]-[21].
Bayesian classification provides several practical learning algorithms such as
Naive Bayes, Gaussian Naive Bayes, Multinomial Naive Bayes, Averaged One-
Dependence Estimators (AODE), Bayesian Belief Network (BBN), and Bayesian
Network (BN) [22]. It provides a useful perspective for understanding and
evaluating many learning algorithms where prior knowledge and observed data can
be combined. The method calculates explicit probabilities for hypotheses and it is
robust to noisy input data [22].
The prior knowledge of the brain anatomical structures can increase the robustness
and accuracy of a segmentation method.
The MRI scanned liver tissue would have some degree of consistency to
distinguish it from the surrounding tissues. A pixel of a certain value is classified
as a liver pixel as opposed to a non-liver or background pixel. However, as
mentioned earlier, quality issues may prevent such clear distinction and pixels end
up incorrectly segmented. We build a Bayesian model to classify every pixel of the
input image as belonging to the liver tissue or not based on its probability of being
a liver pixel or not. The probabilities are pre-calculated from a set of labeled
training images and used to decide if a pixel in a new test case is liver.
It should be stated that there are no benchmark datasets for abdomen MRI images
available to test the proposed methods of liver segmentation. Furthermore, none of
the authors of previous works have made their own datasets public. Since the
developed algorithm is meant to be capable of segmenting of MRI images
available in clinics, we collected datasets from several medical centers and
hospitals; where the MRI images are all of type T1; a type preferred by radiologists
for its quality. All abdominal MRI datasets have been acquired of the liver. The
cases are from 10 patients, ranging in age between 16 and 55 years old; 5 of which
have normal livers, and the rest have diseased livers.
In other cases (infected), the injury on the border of the liver leads to difficulty in
segmenting the liver from the adjacent organ. In addition, some segmentation
results shows holes or blanks because of infection (tumors) being segmented with
the liver. Therefore, after the segmentation process, a post processing step was
needed to modify some of the output to improve the results in general and to obtain
an image of the liver only. For example, we used some morphological processes to
fill these holes and then restore the liver segmented from the original image to
maintain the shape and characteristics of the liver. Examples are shown in (Fig. 4).
CONCLUSION
A method of segmenting liver from an MRI image has been proposed. The
techniques help to deform the initial contour towards the possible edge of the liver
in MRI images. The experimentation has shown successful segmentation of both
normal and abnormal liver tissues. Based on the segmentation results the liver size
can be estimated. Further experimentation can be carried out for identification of
presence of abnormalities. Other image features like texture, curvature of the edge
and shape of segmented object can be used for better identification and
classification. Furthermore, MRI images in the datasets used for testing are for
both normal and abnormal liver tissues, confirming that the proposed technique
can be used further for diagnosing the lesions on the surface of abnormal liver
tissue. Probably one of the most important questions concerning medical image
segmentation is its use in real clinical settings. It is undeniable that computerized
segmentation methods have shown their potentials and applicability in computer
aided diagnosis and therapy planning. It is expected that in the near future they will
also become essential tools in real clinical settings, particularly in qualitative
diagnosis and where 3D reconstruction and visualization of the anatomical
structures are important.
نبذة مختصرة
يعد تجزئة الصور أحد أهم المهام في تحليل الصور الطبية وغالبًا ما يكون الخطوة األولى واألكTTثر أهميTTة في
العديد من التطبيقات السريرية .في تحليل التصوير بالرنين المغناطيسي Tللكبد ،يُستخدم تجزئة الصTTور TبشTTكل
شائع لقياس وتصور Tالهياكل التشريحية للكبد ،ولتحليل التغييرات ،ولتحديد المنTTاطق المرضTTية ،وللتخطيTTط
الجراحي والتدخالت الموجهة بالصTور .في العقTود القليلTة الماضTية ،تم تطTوير تقنيTات تجزئTة مختلفTة بدقTة
ودرجة تعقيد مختلفة وتم اإلبالغ عنها في األدبيات .لمعالجة تعقيد وتحديات مشTTكلة تجزئTTة التصTTوير بTTالرنين
المغناطيسي Tللكبد ،نقدم أوالً المفاهيم األساسية لتجزئة الصورة .بعد ذلك ،نشرح خطTTوات المعالجTTة المسTTبقة
للتصTTوير TبTTالرنين المغناطيسTTي بمTTا في ذلTTك تسTTجيل الصTTورة وتصTTحيح مجTTال التحTTيز .تم اختبTTار TالطريقTTة
المقترحTTة بنجTTاح على العديTTد من حTTاالت التصTTوير بTTالرنين المغناطيس Tي TالمكتسTTبة من مرضTTى مختلفين ،
وبأحجام مختلفة .أثبتت التجTارب متانTة عمليTة تجزئTة الكبTد المقترحTة حTتى على البيانTات من أنTواع الماسTح
الضوئي المختلفة .أخيرًا ،بعد مراجعTTة طTTرق TتجزئTTة التصTTوير TبTTالرنين المغناطيسTTي للكبTTد ،ننTTاقش مشTTكلة
التحقق من صحة تجزئة التصوير بالرنين المغناطيسي Tللكبد.
الكلمات الدالة
معالجة الصور ،تحليل الصور ، Tتجزئة الكبد ،الصورة الطبية ،صورة التصوير Tبالرنين المغناطيسي.
المقدمة
يسعى التشخيص الطبي للحصول على معلومات من مصادر Tمختلفة للحصول على اسTTتنتاجات مناسTTبة حTTول
األمTراض .يمكن أن تكTون المصTادر TنتTائج االختبTارات السTريرية وتTاريخ المTريض والمراجعTات النسTيجية
وتقنيات التصوير .ساهمت تقنيات التصوير Tكثيرًا في تطTTوير التشTTخيص الطTTبي .إحTTدى هTTذه التقنيTTات اآلمنTTة
والمتاحة بسTTهولة هي تقنيTTة التصTTوير TبالموجTTات فTTوق TالصTTوتية .لكن المنهجيTTة لهTTا عيTTوب معينTTة ،حيث أن
الصTTور ليسTTت واضTTحة للغايTTة وتحتTTاج إلى خبTTير للتTTدخل وفصTTل العضTو Tعن الصTTورة .عالوة على ذلTTك ،
تستغرق العملية وقتًا Tطويالً حتى يتمكن الخبير من الحصول على الصورة وتحديد Tالجزء المعين الذي يTTرغب
في فحصه .عالوة على ذلك ،تسبب العملية أيضًا إزعاجًا للمريض .يعد التأخير في التشخيص وعدم وضTTوح
الصورة من القضايا الرئيسية .هناك حاجة إلى قدر كبير من الخبرة للوصTTول Tإلى اسTTتنتاجات باسTTتخدام TتقنيTTة
التصوير Tهذه .تجزئة الكبد هي حالة أساسية وخطوة رئيسية في تشخيص أمراض الكبد والتخطيط Tالجراحي ،
سواء كان التشخيص أو العالج يتضمن طرقًا Tجراحية (جراحات) أو طرقًا Tغير جراحيTTة (التصTTوير TالطTTبي).
يعتبر التدخل الجراحي أحد خيارات العالج النهائية ويعتTTبر التخطيTTط الجTTراحي TخطTTوة رئيسTTية في العمليTTات
الجراحية الناجحة .على سبيل المثال ،يشمل تخطيط إزالة الورم تحديTTد حجم الTTورم وموقعTTه ومسTTاراته أثنTTاء
الجراحة ،باإلضافة إلى تأثير إزالة الورم على األعضاء المجاورة األخرى ، TومعTTدل نجTTاح الجراحTTة .يعتTTبر
التصوير Tالطبي طريقة غير جراحية وغير مؤلمة في الممارسTTة السTTريرية لتشTTخيص بعض أمTTراض الكبTTد [
.]2[ ، ]1
أما بالنسبة لتقنيات التصوير Tالطبي ،مثل التصوير المقطعي المحوسب والتصوير بالرنين المغناطيسTTي ،فيتم
تمثيل صور Tالبطن بمستوى Tرمادي بدالً من اللون .غالبًا ما تكون هذه صTTاخبة جTدًا بحيث تظهTTر حت ًمTTا حTTدود
غامضة بين الكبد واألعضاء المجاورة له ،بما في ذلك جدار البطن والكلى اليمنى والقلب والمعTTدة والمTTرارة.
في بعض األحيان ،بسبب سوء جودة التصوير ، Tتختفي الحدود تما ًما ،ويصبح التقسيم صTTعبًا للغايTTة كمTTا في
الشكل ( 1ب) .هذا يثير الحاجة الملحة لتقنية تجزئة الحجم أكثر كفاءة ودقة [ .]10[ T- ]3على الرغم من أنTTه
يمكن حساب حجم الكبد باسTTتخدام بعض الصTTيغ الشTTائعة مثTTل صTTيغة MostellerاعتمTTادًا على عمTTر ووزن
وطول المريض ،إال أن هذه الصيغ ليست دقيقة في حالة الكبد المرضي.]11[ T
على مدى العقود القليلة الماضية ،فتح التطور Tالسريع لتقنيات تصوير الكبد غير الغازية آفاقًا جديدة في تحليل
ودراسة تشريح الكبد ووظائفه .تم إحراز تقدم هائTل في الوصTول Tإلى إصTابة الكبTد واستكشTاف TتشTريح الكبTد
باستخدام التصوير بالرنين المغناطيسTي .)MRI( TكمTا وفTرت التطTورات في التصTوير بTالرنين المغناطيسTيT
عال من الجودة بشكل متزايد .أصبح تحليل مجموعات بيانات التصوير
للكبد كمية كبيرة من البيانات بمستوىٍ T
بالرنين المغناطيسي الكبيرة والمعقدة مهمة شTTاقة ومعقTTدة لألطبTTاء ،الTTذين يتعين عليهم اسTTتخراج المعلومTTات
المهمة يدويًا .غالبًا ما يكون هذا التحليل اليدوي مستهل ًكا للوقت وعرضة لألخطاء بسTTبب العديTTد من دراسTTات
التباين بين المشغل أو داخله .تتطلب هذه الصTTعوبات في تحليTTل بيانTTات التصTTوير بTTالرنين المغناطيسTي TللكبTTد
اختراعات في طرق محوسبة لتحسين تشخيص المرض واختباره .في الTTوقت الحاضTTر ،تم اسTTتخدام الطTTرق
المحوسبة لتجزئTة الصTور بTالرنين المغناطيسTTي والتسTجيل والتخيTل على نطTاق واسTع لمسTاعدة األطبTاء في
التشخيص النوعي [.]7[ ، ]4[ ، ]2
يعTTالج العديTTد من البTTاحثين تجزئTTة الكبTTد بسTTبب أهميTTة الموضTTوع .ومTTع ذلTTك ،ال توجTد TتقنيTTة عالميTTة يمكن
استخدامها مع جميع أنواع الصور ؛ كل تقنيTة لهTا نقTاط القTوة والضTعف TالخاصTة بهTا .يمكن للقTراء المهتمين
الرجوع إلى [ ]6[ ، ]4[ ، ]2إلجراء مسح شامل لتقنيات تجزئة الكبد .أيضًا ،تعتبر طرق Tالتحقق من صحة
التجزئة الكمية من بين القضايا المفتوحة في األدبيات .عادةً ما تُستخدم Tالعديد من طرق TالتحقTTق ،بمTTا في ذلTTك
تداخل المنطقة ،وقياس النرد ،ومسافات ] Hausdroff [10] - [13باإلضافة إلى التحقق البصري Tللحاالت
من قبل خبير ،والذي ال يزال مقياسًا ضروريًا لصحة التجزئة طريقة.
خلفية
يمكن تصنيف طرق Tتجزئة الكبد إلى ثالث فئات [ ]12بما يتماشى Tمع مستوى التفاعل البشري المطلوب .هذه
طرق تلقائية ال تتطلب تTTدخل المسTTتخدم ، TوطTTرق شTTبه آليTTة تتطلب بعض تفاعTTل المسTTتخدم األولي ،وطTTرقT
تفاعلية (يدوية) تتطلب تفاعل المستخدم الكامل من بداية التجزئة إلى نهايتها T.يعد التقسTTيم اليTTدوي مهمTTة شTTاقة
أيضTا ،تعتمTTد نتTTائج
ومكثفة للوقت ألنها تتضTTمن العمTTل مTTع كميTTة كبTTيرة من شTTرائح ومجموعTTات البيانTTاتً .
التجزئة على خبرة ومهارات Tأخصائيي األشعة وبسبب تناقضات Tصور الكبد المTTذكورة سTTابقًا ،قTTد يتم تحديTTد
حدود الكبد بشكل مختلف من قبل أطباء األشعة المختلفين وحتى من قبل نفس أخصائي Tاألشعة في وقت آخTTر.
لذلك ،تم اقتراح العديد من طرق تجزئة الكبTTد التلقائيTTة وشTTبه اآلليTTة من الصTTور الطبيTTة للمسTTاعدة في التغلب
على مشاكل التجزئة اليدوية.
قدم تشين وفTTوروزان Tفي [ ]13طريقTTة قائمTTة على الرسTTم البيTTاني لتقسTTيم الكبTTد من صTTور .MR Tتم اسTTتخدامT
التجميع K-meanللحصول تلقائيًا على الكائن (الكبد) والخلفية (غير الكبد) البذور (المناطق) في كل شريحة
من الحجم دون تدخل المستخدم .فريمان وآخTTرون [ ]14اقTTترح إطTTارًا جديTدًا لمسTTتوى احتماليTTة Bayesian
لتجزئة الكبد تلقائيًا وحساب حجم الكبد من الصور Tالمقطعية .يستخدم إطارهم TالموحTد المقTTترح وظيفTTة مؤشTرT
الحافة وقوة متغيرة غير خطية جديدة ،والتي تعتمTTد على التوزيTTع االحتمTTالي على مسTتوى TالبكسTل وتسTتخدم
لضبط تطور مجموعة المستوى T.بالنسبة لتقدير حجم الكبد ،فقد استخدموا مخططًا Tتكراريًا متعTTدد االسTTتبانات
يطبق مرارًا وتكرا ًرا Tتصنيف بايزي السلس لتحديد الكبد واألعضاء األخرى.
المرجع [ ]15اقترح نهج مجموعة المستوى لتجزئTTة الكبTTد من صTTور سلسTTلة التصTTوير بTTالرنين المغناطيسTيT
للبطن ،حيث يتم دمج المعرفة السابقة بالشكل مع نموذج Chan-Veseالمحسّن .يمكن للنهج المقترح التغلب
على مشاكل التسرب والتجزئة المفرطTة .قTدم المرجTع [ ]16تقسTي ًما آليًTا للكبTد من صTور TالتصTوير المقطعي
المحوسب للبطن ،حيث يتم الجمع بين معلمات ذات شكل غير متغير مع مخطط جيوديسي نشTTط وتخفيضTTات
الرسم البياني .يصحح الكفاف الجيوديسي Tالنشط محليًTTا تجزئTTة األعضTTاء في صTTور غTTير طبيعيTTة للكبTTد غTTير
الطبيعي ،بينما يقطع الرسم البيTTاني األمثTTل تقطيTTع األوعيTTة الدمويTTة واألورام الكبديTTة باسTTتخدام قيTTود TالشTTكل
والتعزيزT.
ليم وآخTTرون ]14[ .اقTTترح نه ًجTTا لتجزئTTة الكبTTد تلقائيًTTا من صTTور TالتصTTوير Tالمقطعي المحوسTTب لتقTTدير حجم
الكبد ،حيث يحللون توزيTع كثافTTة عينTTات التصTوير المقطعي للحصTول على نمTTوذج مسTبق لتحديTTد المنTاطقT
المتماسكة في الكبد .يتم تطبيق المرشح المورفولوجي بشكل متكTTرر مTTع تصTTنيف المنطقTTة والتكتTTل الكتشTTاف
نطاق البحث وإنشاء حدود الكبد األولية ،مما يؤدي Tبعد ذلك إلى تقدير حجم الكبد.
اقترح سيو في [ ]15طريقة لتجزئة الورم الكبدي من صور Tالتصوير Tالمقطعي باستخدام الفرضيات المركبTTة.
في البداية ،يتم استخدام تحويTل المTدرج التكTراري ،والعتبTة متعTددة الوسTائط ، TوالقTرار الالحTق األقصTى، T
والترشيح المورفولوجي الثنائي ،لتقسيم الكبد .إليجاد العتبة المثلى يتم إزالة األوعية الكبديTTة من الكبTTد .ثم يتم
استخدام قيمة العتبة المثلى مع الحد األدنى من احتمال الخطأ الكلي لتقسيم ورم كبدي .بينت النتائج أن الطريقة
المقترحة مفيدة جدا في تشخيص الكبد الطبيعي وغير الطبيعي بالرغم من اختبارها على 10حاالت فقط.
ريكسورت Tوآخرون ]16[ .اقترح طريقة تبدأ بخطوات المعالجة المسبقة لتحديد نطTTاق الفحص الرأسTTي للكبTTد
وتTTدوير الفحص بحيث يكTTون الموضTTوع Tفي وضTTع االسTTتلقاء .ثم يتم وضTTع العالمTTات على فوكسTTل مTTع -K
األقرب ،ويتم Tتطبيق مرشح تجانس نهائي للحصول على تجزئة دقيقة .تم اختبار الطريقة على 10فحوصات
فقط.
قدم بالتيرو وتوبار في [ ]17مزيجًا بين األطلس االحتمالي وتجزئة األطلس المتعدد لتجزئة الكبد من الصTTور
المقطعية .يعتمد على تقليل وظيفة الطاقة المنفصلة باستخدام قطTTع الرسTTم البيTTاني .غالبًTTا مTTا تركTTز التطبيقTTات
أيضًا على تجزئة الوعاء الدموي والورم T.باستخدام Tطريقة قطTTع الرسTTم البيTTاني الTTتي يمكن تحقيقهTTا بسTTهولة ،
حيث أنه عند تقسيم الوعاء أو الورم ،يكون الكبد "الخلفي" متجانسًاT.
الطريقة المقترحة
من بين مناهج التصنيف المختلفة الTTتي تسTTتند إلى النمTTاذج اإلحصTTائية تصTTنيف بTTايزي T.إنهTTا واحTTدة من أكTTثر
الخوارزميات Tفعالية وكفاءة وقد تم تطبيقهTTا بنجTTاح على العديTTد من المشTTاكل الطبيTTة .تشTTير الدراسTTات إلى أن
التصنيف البايزي مناسب تما ًمTTا للتطTTبيق الطTTبي ولTTه معTTدل أداء مرتفTTع في معظم المشTTكالت الطبيTTة الTTتي تم
فحصها [ .]21[ - ]11يوفر Tتصنيف Bayesianالعديد من خوارزميات التعلم العملية مثل Naive Bayes
و Gaussian Naive Bayesو Multinomial Naive Bayesومقدرات االعتماد الواحد المتوسTTط (
)AODEوشبكة االعتقاد البايزية ( )BBNوشTTبكة ] .Bayesian Network (BN) [22يTTوفر TمنظTTو ًراT
مفيدًا لفهم وتقييم العديد من خوارزميات التعلم حيث يمكن الجمTTع بين المعرفTTة السTTابقة والبيانTTات المرصTTودة.
تحسب الطريقة االحتماالت الصريحة للفرضيات وهي قوية لبيانات اإلدخال المزعجة [.]22
المعالجة المسبقة :بعد الحصول على التصوير بTالرنين المغناطيسTي ، TهنTاك عTدة خطTوات للمعالجTة المسTبقة
ضرورية إلعداد صTTور MRللتجزئTTة ؛ تشTTمل أهم الخطTTوات تصTTحيح مجTTال التحTTيز في التصTTوير بTTالرنين
المغناطيسTي ، TوتسTTجيل TالصTTورة (في حالTTة تحليTTل الصTTور TمتعTTدد الوسTTائط) ،يعTTد تسTTجيل الصTTور خطTTوة
ضرورية إلدراج األطالس االحتمالية كمعرفة مسTTبقة لتشTTريح الTTدماغ في طريقTTة التجزئTTة .غالبًTTا مTTا يسTTتخدمT
األطلس االحتمالي Tلتهيئة وتقييد عملية التجزئة.
يمكن أن تزيد المعرفة المسبقة للهياكل التشريحية للدماغ من قوة ودقة طريقة التجزئة.
تسجيل الصورة :تسجيل الصورة هو عملية تراكب (المحTTاذاة المكانيTTة) صTTورتين أو أكTTثر لنفس المحتTTوى Tتم
التقاطها في أوقات مختلفة ،من وجهات نظر مختلفة ،و /أو بواسطة مستشعرات مختلفTTة .التسTTجيل مطلTTوب
في تحليل الصور الطبية للحصول على معلومات أكTثر اكتمTاال حTول صTحة المTريض عنTد اسTتخدام الصTور
متعددة الوسائط( Tمثل التصوير بالرنين المغناطيسTي ، TوالتصTTوير Tالمقطعي المحوسTTب ،والتصTTوير Tالمقطعي
باإلصدار البوزيتروني ،والتصوير المقطعي باإلصدار TالبوزيTTتروني) وللتحقTTق من العالج من خالل مقارنTTة
صور ما قبل التدخل وبعده .في تسTTجيل الصTTور الطبيTTة ،يتم اسTTتخدام مصTTطلح التسTTجيل المشTTترك للتسTTجيل
الداخلي للموضوع (محاذاة الصور Tمتعددة الوسائط Tلنفس الموضوع) ،يتم اسTTتخدام إعTTادة المحTTاذاة لتصTTحيح
الحركة في نفس الموضوع ، Tويتم استخدام Tالتطبيع للتسTTجيل بين الموضTTوعات TعنTTد عTTدة مجموعTTات سTTكانية
تدرس.
سيكون ألنسجة الكبد الممسوحة بواسطة التصوير Tبالرنين المغناطيسي Tدرجة معينة من االتساق لتمييزهTTا عن
األنسجة المحيطة .يتم تصنيف Tالبكسل ذي القيمة المحTTددة على أنTTه بكسTTل كبTTد بTTدالً من بكسTTل غTTير كبTTدي أو
بكسل خلفية .ومع ذلك ،كما ذكرنا سابقًا ،قد تمنع مشكالت الجودة مثTTل هTTذا التميTTيز الواضTTح وينتهي TاألمTTر
بالبكسل بشكل غير صحيح .نقوم ببناء نموذج بايز لتصنيف كTل بكسTل من الصTورة المدخلTة على أنهTا تنتمي
إلى أنسجة الكبد أو ال تعتمد على احتمال كونها بكسل كبد أم ال .يتم حساب االحتماالت مسبقًا من مجموعة من
صور التدريب المسمى ويتم استخدامها Tلتحديد ما إذا كان البكسل في حالة اختبار جديدة هو الكبد.
طرق التصنيف .تستخدم Tطرق التصنيف Tالبيانات ذات الملصقات المعروفة لتقسيم مساحة ميزة الصورة .عادةً
ما تكون ميزات الصورة عبارة عن قيم شدة ولكن يمكن أن تكون مرتبطة أيضًا بالنسيج أو خصائص الصورة
األخTTرى .يمكن أن تكTTون طTTرق TالتصTTنيف TخاضTTعة لإلشTTراف وغTTير خاضTTعة لإلشTTراف .يتطلب التصTTنيفT
الخاضع لإلشراف تدريب الصور ،والتي يتم تجزئتها Tيدويًا ثم استخدامها كمراجTTع للتجزئTTة التلقائيTTة للصTTورT
الجديدة .بجانب التفاعل اليدوي الذي يكون شTTاقًا ويسTTتغرق TوقتًTا TطTTويالً ،هنTTاك عيب آخTTر لطTTرق التصTTنيف
الخاضعة لإلشراف Tوهي أنها عمو ًما ال تأخذ في االعتبTار معلومTTات الحي وبالتTTالي فهي حساسTTة للضوضTTاء.
أيضًا ،يمكن أن يؤدي استخدام نفس مجموعة التدريب لعTTدد كبTTير من الصTTور Tإلى نتTTائج متحTTيزة ،والTTتي ال
تأخذ في االعتبار التباين التشريحي Tوالفسيولوجي بين مختلف الموضوعات.
تجدر اإلشارة إلى أنه ال توجد مجموعات بيانات معيارية لصور التصوير TبTTالرنين المغناطيسTTي للبطن متاحTTة
الختبTTار الطTTرق المقترحTTة لتجزئTTة الكبTTد .عالوة على ذلTTك ،لم يقم أي من مTTؤلفي األعمTTال السTTابقة بإتاحTTة
مجموعات البيانات الخاصة بهم للجمهور .نظTرًا ألن الخوارزميTTة المطTTورة تهTTدف إلى أن تكTTون قTTادرة على
تجزئة صور Tالتصوير بالرنين المغناطيسي Tالمتوفرة في العيادات ،فقد جمعنا مجموعTTات البيانTTات من العديTTد
من المراكز الطبية والمستشفيات ؛ حيث تكون جميع صTTور التصTTوير بTTالرنين المغناطيسTي Tمن النTTوع T1؛
نوع يفضله أطباء األشعة لجودته .تم الحصول على جميع مجموعTTات بيانTTات التصTTوير TبTTالرنين المغناطيسTTي
للبطن من الكبد .الحاالت من 10مرضى Tتتراوح اعمارهم بين 16و 55سنة 5 .منها كبد طبيعية والباقي كبد
مريضة.
في حTTاالت أخTTرى (مصTTابة) ،تTTؤدي اإلصTTابة على حTTدود الكبTTد إلى صTTعوبة في تقسTTيم الكبTTد عن العضTTو
المجاور .باإلضافة إلى ذلك ،تظهر بعض نتائج التقسيم ثقوبًا أو فراغات بسبب العدوى( Tاألورام) مجTTزأة مTTع
الكبد .لذلك ،بعTTد عمليTTة التجزئTTة ،كTTانت هنTTاك حاجTTة إلى خطTTوة معالجTTة الحقTTة لتعTTديل بعض المخرجTTات
لتحسين النتائج بشكل عام وللحصول Tعلى صTورة للكبTTد فقTTط .على سTTبيل المثTTال ،اسTتخدمنا Tبعض العمليTات
الشكلية لملء هذه الثقوب ثم استعادة الكبد المجزأ من الصورة األصTلية للحفTاظ على شTكل وخصTائص الكبTTد.
يتم عرض األمثلة في (الشكل .)4
خاتمة
تم اقتراح طريقة لتجزئة الكبد من صورة التصوير TبTTالرنين المغناطيسTTي .تسTTاعد التقنيTTات في تشTTويه الكفTTاف
األولي نحو الحافة المحتملة للكبد في صور التصوير Tبالرنين المغناطيسTTي T.أظهTTرت التجTTارب تجزئTTة ناجحTTة
لكل من أنسجة الكبد الطبيعية وغير الطبيعية .بنا ًء على نتائج التجزئTة ،يمكن تقTTدير حجم الكبTTد .يمكن إجTTراء
مزيد من التجارب لتحديد وجود Tتشوهات .يمكن استخدام ميزات الصورة األخرى مثل النسيج وانحناء الحافTTة
وشكل الكائن المقسم لتحديد وتصنيف أفضل .عالوة على ذلك ،فإن صور Tالتصوير بTTالرنين المغناطيس Tي Tفي
مجموعات البيانات المسTTتخدمة لالختبTTار هي ألنسTTجة الكبTTد الطبيعيTTة وغTTير الطبيعيTTة ،ممTTا يؤكTTد أنTTه يمكن
استخدام التقنية المقترحة بشكل أكبر لتشخيص اآلفات على سطح أنسجة الكبد غير الطبيعيTTة .من المحتمTTل أن
يكون أحد أهم األسئلة المتعلقة بتجزئة الصورة الطبية هTTو اسTTتخدامه في البيئTTات السTTريرية الحقيقيTTة .ال يمكن
إنكار أن طTTرق التجزئTTة المحوسTTبة أظهTTرت إمكاناتهTTا وقابليتهTا TللتطTTبيق Tفي التشTTخيص بمسTTاعدة الكمTTبيوترT
وتخطيط Tالعالج .من المتوقع Tأن تصبح في المستقبل القريب أدوات أساسية في البيئات السريرية الحقيقيTTة ،ال
سيما في التشخيص النوعي وحيث تكون إعادة البناء ثالثية األبعاد وتصور Tالهياكل التشريحية مهمة.