استخدام التجميع الضبابي للكشف عن منطقة الورم في صور المعدة الطبية
محتوى المقالة الرئيسي
الملخص
على الرغم من انخفاض عدد المرضى المصابين بورم في المعدة بشكل واضح خلال العقود الماضية في الدول الغربية ، إلا أن هذا المرض لا يزال أحد الأسباب الرئيسية للوفاة في البلدان النامية. الهدف من هذا البحث هو اكتشاف منطقة الورم في صور المعدة بالأعتماد على التجميع الضبابي. تتكون الطريقه المقترحة من ثلاث مراحل. تنقسم صور المعدة إلى أربعة أرباع ، ثم يتم استنباط صفات كل ربع في المرحلة الأولى من خلال أستخدام العزوم الثابته السبعه . في المرحله الثانيه تم أستخدام التجميع الضبابي (FCM) وذلك لجمع صفات كل ربع في مجاميع (clusters). تم حساب مسافة مانهاتن في المرحلة الثالثة بين جميع مراكز التجمعات ( clusters)في جميع الأرباع للكشف عن الربع الذي يحتوي على ورم والذي يعتمد على قيمة النقطه الوسطى للكتله في هذا الربع ، وهوالذي تكون أحداثياته بعيده عن إحداثيات مراكز الأرباع المتبقية. من الحسابات التي أجريت على أرباع عدة صور ، أظهرت النتائج التجريبية أن قيمة النقطه الوسطى للكتلة في كل ربع سنة كانت أكبر من 0.9 إذا لم يكن هذا الربع يحتوي على ورم بينما كانت قيمة النقطه الوسطى للكتلة التي تحتوي على ورم أقل من 0.4. على سبيل المثال ، في الربع رقم 1 للصورة الطبية STOMACH_1 ، كانت قيمة النقطة المركزية للكتلة 0.973 بينما كانت قيمة النقطة المركزية للكتلة في الربع الثالث 0.280. لهذا السبب تم العثور على منطقة الورم في الربع رقم (3) من الصورة الطبية STOMACH_1. أيضا ، كانت قيمة النقطة المركزية للكتلة في الربع رقم 2 0.948 لـ STOMACH_2 بينما كانت قيمة النقطة المركزية للكتلة في الربع رقم 4 0.397. لهذا السبب تم العثور على منطقة الورم في الربع رقم 4 من الصورة الطبية STOMACH_2.
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Lema-Perez L, Garcia-Tirado J, Builes-Montaño C, Alvarez H. Phenomenological-Based model of human stomach and its role in glucose metabolism. J. Theor. Biol.2019 Jan 7;460:88-100.
Etemadi A, Safiri S, Sepanlou SG, Ikuta K, Bisignano C, Shakeri R, et al. The global, regional, and national burden of stomach cancer in 195 countries, 1990–2017: a systematic analysis for the Global Burden of Disease study 2017. Lancet Gastroenterol. Hepatol. 2020 Jan 1;5(1):42-54.
Lai Z, Deng H. Medical Image Classification Based on Deep Features Extracted by Deep Model and Statistic Feature Fusion with Multilayer Perceptron.Comput.Intell.NeurScien.2018 Sep. 12; 2018.
Knight J, Williams N, Nigam Y. Gastrointestinal tract 2: the structure and function of the stomach. Nursing Times. 2019 Jul 1;115(7):43-7.
Mahadevan V. Anatomy of the stomach. Surgery (Oxford). 2014 Nov 1;32(11):571-4.
Ahmadzadeh D, Fiuzy M, Haddadnia J. Stomach cancer diagnosis by using a combination of image processing algorithms, local binary pattern algorithm and support vector machine. J. Basic. Appl. Sci. Res. 2013;3(2):43-51.
Nimeesha KM, Gowda RM. Brain tumour segmentation using Kmeans and fuzzy c-means clustering algorithm. Int J Compute Sci Inform. Techno. Res. Excell. 2013 Mar;3:60-5.
Mustafa RA, Saleh KT, Chyad HS. Feature Extraction Based on Wavelet Transform and Moment Invariants for Medical Image. IJERAT. 2018Aug: 4(8): 80-98.
Xu J, Han J, Nie F, Li X. Robust and Efficient Fuzzy C-Means Clustering Constrained on Flexible Sparsity. arXiv preprint arXiv:1908.06699. 2019 Aug 19.
Gokten PO, Baser F, Gokten S. Using fuzzy c-means clustering algorithm in financial health scoring. The Audi. Finan. J. 2017;15(147):385-394.
Joan M, Nuñez DR, Carles VR. Fuzzy C-means and clustering algorithms: a comparative study. Grau en Eng. Inform. Intel. Artifi. .2019 Jun : 17-20.
Karim AA, Nasser EF. Image Retrieval from Video Streams Databases using Similarity of Clustering Histogram. Al-Mans. J. .2018(29):1-22.
Bramarambika MB , Seshashayee. Brain Tumor Detection and Identification Using Histogram Method. IJITEE. 2019 Aug: 8 (10):3517-3521.