برای اسکن محور بلند باید تصویری در مقطع آکسیال از سطح بطن چپ به عنوان اسکنوگرام مهیا شود . از این تصویر یک مقطع ساژیتال ابلیک از محور طولی بطن چپ تهیه می­ شود . از روی تصویر حاصله می­توان زاویه محور قلب را اندازه ­گیری کرده و حفرات قلب را در نمای طولی افقی مورد بررسی قرار داد. از روی این تصویر می­توان مقاطع مخصوص محور کوتاه را بدست آورد.

در این تصویر بطن چپ به صورت یک حفره کروی دیده شده و بطن راست در حد فاصل آن با دیواره قفسه سینه قرار می­گیرد.
همچنانکه در شکل ۱-۸ نشان داده شده است تصویر ام ار آی قلبی زیست­پذیری بالایی از خود نشان می­دهد. تراکم­های سطح خاکستری نیز به علت استفاده از اسکن­های مختلف و یا ترتیب bffe مختلف می ­تواند متفاوت باشد. قسمت­ های مبهم در بخش­های حاشیه­ای از تصویر دیده می­ شود که عمدتا بدلیل جریان خون و تاثیرات حجمی است. این تاثیر اولیه نتیجه ضخامت غیر صفر اسلایس­های MRI است، در برخی قسمت ­ها یک همسایگی می ­تواند ترکیبی از چندین نوع بافت باشد. تفاوت­های شکل حفره در بیماران مختلف، در طی زمان و در طول محور بلند مشاهده می­ شود این تفاوت به دلیل تفاوت­ها در الگوریتم­های بخش­بندی است [۴].
شکل۱-۸. تغییرات قلب در تصویر MRI
موقعیت در طول محور apex-base: پیچیدگی بخش­بندی همچنین به سطح قسمت­ های تصویر وابسته است. تصاویر بخش­های بالایی و پایینی از تصاویر قسمت­ های میانی جهت بخش­بندی مشکل­تر است. در حقیقت تفکیک ام ار ای جهت تعیین اندازه ساختارهای کوچک در سطح راس کافی نیست و شکل حفره قویا نزدیک با سطح قاعده­ای قلب، بدلیل مجاورت به آن ادغام می­ شود. توجه کنید که شکل بطن راست در طول این محور تغییرپذیری زیادی دارد در حالی که بطن چپ شبیه شکل حلقه مانند باقی می­ماند (شکل۱-۸).
شکل ۱-۹. اسلایس­های short-axis از apex to base
۱-۴- توجیه ضرورت انجام طرح و روش کار
بیماری­های قلبی عروقی یکی از بیشترین و رایج ترین علت مرگ در دنیا می­باشد [۱]. از این رو کنترل و درمان این بیماری­ها یکی از مهمترین چالش­های کادر درمانی است. بخش­بندی بطن چپ و راست قلب اطلاعات با ارزشی در مورد عملکرد قلب به پزشک ارائه می­دهد که برخی از این شاخص ­ها عبارتند از حجم پایان سیستولی، حجم پایان دیاستولی، حجم ضربه­ای و کسر تخلیه می­باشد.
از این شاخص ­ها برای تشخیص بیمار­هایی مانند ایسمیک قلبی (کاهش خون رسانی به میوکارد)، بیماری شریان­های کرونری، پر فشاری شریانی وپلی ارتریت استفاده می­ کنند [۲].
از این رو بخش­بندی قلب برای کنترل و درمان بسیاری از بیماری­های قلبی عروقی مهم می باشد، اگرچه تقسیم ­بندی دستی بطن­های قلب نتایج خوبی را تولید می­ کند اما تقسیم ­بندی دستی کاری وقت­گیر، به خصوص برای بطن راست، با توجه به هندسه پیچیده آن می­باشد. از این رو بخش­بندی اتوماتیک بطن­های قلب مهم و ضروری به نظر می­رسد. شکل ۱-۹ یک تصویر MRI از قلب را با بخش­بندی دستی بطن راست و چپ قلب، در دو فاز دیاستول و سیستول نشان می­دهد .
شکل۱-۱۰. تصویر بخش بندی شده دستی MRI
در این تحقیق یک روش کاملا اتوماتیک و جدید بر اساس ترکیب روشPSO و الگوریتم پیمایش تصادفی بهبود یافته برای بخش­بندی بطن راست و چپ از تصاویر قلبی ارائه شده است.
۱-۵- مساله پژوهش از دیدگاه پزشکی
قلب دارای ۴ حفره، ۲ حفره در بالا به نام دهلیز و ۲ حفره درپایین به نام بطن است، هر یک از این حفر­ها به دلیل بیماری­هایی دچار گشادی می­شوند ولی گشادی که در میان عوام شناخته شده گشادی بطن چپ است. گشادی بطن چپ به نارسایی قلب منجر می­ شود. گشادی بطن چپ به دلیل نارسایی و تنگی دریچه آئورت و گشادی بطن راست هم بدلیل نارسایی دریچه پولمونر ایجاد می­ شود. علاوه بر اتساع و گشادی بطن چپ بیماری­های دیگری هم وجود دارد که به کمک بخش­بندی می­توان در تشخیص زود هنگام بیماری و در روند درمان اطلاعات مفیدی را در اختیار قرار دهد.
پیچش بطن راست نقش مهمی در خروج خون از بطن دارد و درست انجام نشدن این پیچش می ­تواند باعث اختلال در روند خروج خون بشود. مطالعات بالینی نشان داده­اند که تحلیل هم زمان اطلاعات پیچش بطن راست و کسر خروجی می ­تواند اطلاعات مفیدی در مورد کارکرد قلب در اختیار قرار دهد و می ­تواند در تشخیص زود هنگام بیماری و همچنین در روند درمان مفید واقع شود.
شبیه سازی
مراحل شبیه­سازی در این تحقیق با بهره گرفتن از نرم افزار متلب ۲۰۱۰ بر روی تعداد زیادی از تصاویر قلبی ام ار ای انجام شده است.
فصل دوم
مطالعات پیشین
۲-۱- مقدمه
در این فصل ما تعدادی از روش­های ارائه شده برای بخش­بندی بطن­های قلب را از تصاویر MRI مرور خواهیم کرد. به علت منظم بودن شکل هندسی و همچنین حیاتی­تر بودن عملکرد بطن چپ، بیشتر این روش­ها بر بخش­بندی بطن چپ تاکید دارند اما کارهایی هم برای بخش­بندی بطن راست انجام شده است و برخی از این روش­ها هم هر دو بطن قلب را همزمان بخش­بندی می­ کنند که ما آن­ها را بررسی خواهیم کرد و در نهایت روش­های مطالعه شده را در جدول ۱-۲ دسته­بندی کرده­ایم.
۲-۲- روش های بخش بندی تصاویر ام ار آی قلبی
برای بخش­بندی بطن­ها به خصوص بطن چپ روش­های بسیاری ارائه شده است. روش­های بخش­بندی تصاویر در یک دسته­بندی کلی در دو گروه روش­های خودکار و نیمه خودکار تقسیم ­بندی می­شوند. در روش خودکار تمام مراحل بخش­بندی بدون نیاز به کاربر انجام
می­ شود؛ در حالی که در روش های نیمه خودکار تصاویر با دخالت کاربر بخش­بندی می­ شود.
در این تحقیق برای بررسی روش­های مختلف مقالات معتبری را در نظر گرفته­ایم که شامل روش بخش­بندی برای بطن چپ، بطن راست یا هر دو ، ارزیابی کمی و کیفی روش­ها و همچنین شرح مصور اطلاعات MRI قلبی می­باشد.
تمامی مقالات مرور شده در جدول ۲-۱ لیست شده ­اند. طبقه ­بندی این مطالعات کار آسانی نبود. بسیاری از مشکلات بخش­بندی به استفاده از دانش اولیه برای افزایش دقت نیازمند
می­باشد. از یک طرف، مداخلات کاربر^[۹] یک ملاحظه مهم در مشکل بخش­بندی می ­تواند بعنوان دانش اولیه مد نظر قرار گیرد. مداخله کاربر در مطالعه بخش­بندی بطن چپ و راست، می ­تواند شامل مشخص کردن مرکز حفره بطن چپ یا ردیابی دستی مرز حفره­ها باشد. این دو سطح از مداخلات کاربر از جهت قابلیت تکرار آزمایش، تأثیر یکسانی ندارد و همچنانکه به سطح تخصص یکسانی نیز نیاز ندارند. اطلاعات اولیه می ­تواند شامل ارتباطات فضایی ساده بین اشیاء (بعنوان مثال بطن راست در سمت چپ بطن چپ است) و یا فرض­های آناتومیکی در هندسه چرخشی بطن چپ باشد. دانش پیش­زمینه از بیومکانیک قلب نیز می ­تواند در بخش­بندی مهم باشد. بیشتر اطلاعات دقیق راجع به شکل قلب را می­توان از طریق اطلاعات سطح بالاتر همچون مدل شکل آماری محاسبه نمود. در برخی تصاویر بویژه قسمت رأسی، مرزهای میوکاردیوم بسیار مبهم بوده و بخش­بندی سخت است که جهت طبقه ­بندی صرفا به تصویر متکی می­باشد. بعنوان مثال استفاده از مدل، بسیار مفید است اما برای این مهم نیاز به بانک داده متنوع و بزرگ می­باشد. ما سه سطح از اطلاعات مورد استفاده در پردازش بخش­بندی را تمیز خواهیم داد. بخش­بندی بدون دانش اولیه، با دانش اولیه ضعیف و نهایتا با دانش اولیه قوی. در این فصل از تحقیق ما خواهیم دید که چگونه سطح اطلاعات استفاده شده با نوع روش بخش­بندی و سطح مداخلات کاربر مرتبط است. تکنیک­های مرتبط با تصویر همچون حد آستانه^[۱۰]، تشخیص لبه^[۱۱] و مبتنی بر ناحیه^[۱۲] مرزی و یا دیگر طبقه بندی­ها، چارچوب محدودی برای ادغام دانش اولیه ارائه می­ کند.
برعکس مدل­های تغییر­پذیر، چارچوب جامع و وسیعی برای استفاده از هر دوی دانش اولیه قوی و دانش اولیه ضعیف فراهم می­ کند. که شامل اطلاعات آناتومیکی و نیز اطلاعات سطح در شکل فعال مدل های ASM/AAM می­باشد. با در نظر گرفتن روش­های طبقه ­بندی معمول و سطح اطلاعات بیرونی، ما دو گروه اصلی را پیشنهاد می­کنیم:
بخش­بندی بر مبنای دانش اولیه ضعیف یا بدون دانش اولیه که شامل روش­های طبقه بندی قاعده ای و رأسی و مدل­های تغییرپذیر می­باشد.
بخش­بندی بر مبنای دانش اولیه قوی که شامل مدل­های تغییرپذیر، شکل فعال و ظهور فعال و اطلس است. روش­های ترکیب کننده دانش اولیه قوی و ضعیف در بخش دانش اولیه قوی طبقه ­بندی شده ­اند.
در ادامه، اینکه چطور این طبقه ­بندی با تفاوت­های جزئی استفاده می­ شود و چه
شاخص­ هایی جهت طبقه ­بندی روش­های مختلف انتخاب می­گردد، توضیح می­دهیم.
۲-۲-۱- روش­های بخش­بندی خودکار
همچنانکه در بالا ذکر شد، بررسی ناحیه مورد نظر^[۱۳](ROI) متمرکز روی قلب عموما از تصویر MRI اصلی استخراج می­ شود تا نیاز به پردازش کل تصویر نباشد. رویکردهای خودکار دو گونه­اند: رویکردهای مبتنی بر زمان^[۱۴] که از متحرک بودن قلب بهره گرفته و یا تکنیک­های تشخیص شی^[۱۵] که هر دو رویکرد در انتقال Hough که تشخیص موقعیت بطن چپ را میسر می­سازد مشترک هستند [۹-۷].
هنگام استفاده از بعد زمان، تفاوت تصویر در کل داده ها تجزیه تحلیل می­ شود. تصویر حاصله شامل یک ناحیه دایره­ای در حول مرز بطن چپ می­باشد که توسط انتقال Hough تشخیص داده می­ شود. برخی مطالعات پیشنهادی، متکی بر تفاوت در محاسبه هستند [۱۰-۹]. با شروع از تصویر اصلی سه بعدی، تفاوت در طول بعد زمان با انحراف استاندارد در هر همسایگی محاسبه می­ شود. حداکثر تراکم تصویر سه بعدی حاصل به یک تصویر دو بعدی تبدیل شده (روش otsu) و چندین بار بزرگ می شود. سطح جذب ناحیه نهایی بدست آمده، ROI دو بعدی نهایی است [۷،۹،۱۱].
شکل ۲-۱. محاسبه خودکار ROI در تصویر MRI با روش تصویر منتخب ژورنال Elsevier
برخی مؤلفان، روشی بر اساس آنالیز فوریه^[۱۶] تصویر را پیشنهاد داده­اند که تصویری را از ساختارهای متحرک فراهم می کند از آنجائیکه قلب تنها عضو متحرک در تصاویر MRI است، پردازش اولین تصویر هماهنگ امکان مکان­ یابی قلب را فراهم می­ کند [۹،۱۲].
برخلاف رویکردهای مبتنی بر زمان که صرفاً بر اطلاعات MRI تکیه دارند، تکنیک­های تشخیص شی مستلزم مرحله­ ای تحلیلی است. اصول آنها استخراج پنجره­های مستطیلی از تصویر برای محاسبه ویژگی­های آنها و آموزش طبقه بندی کننده تا آنهایی را بپذیرد که شامل قلب و نه بقیه تصاویر باشد [۱۳]. یک روش پیشنهادی دیگر مبتنی بر رویکرد جالب تشخیص چهره است که حاوی توصیف زیر پنجره­ها و آبشاری از طبقه ­بندی کننده­ های adaboost می باشد [۱۴].
۲-۲-۲- روش­های نیمه خودکار
۲-۲-۲-۱- بخش­بندی با دانش ضعیف یا بدون دانش
در این بخش روش­های بخش­بندی با دانش اولیه ضعیف یا بدون دانش اولیه را گردآوری کرده که شامل مدل­های مبتنی بر تصویر^[۱۷]، طبقه ­بندی پیکسل^[۱۸] و مدل­های متغیر^[۱۹] می­باشد.
۲-۲-۲-۱-۱- روش­های مبتنی بر تصویر
همچنان که در بخش ۱-۲ دیده شد، مرزهای اندوکاردیال و اپی کاردیال مشکلات بخش­بندی خاص خود را دارند. بسیاری ازروش­های مبتنی بر تصویر بر اساس پردازش متفاوت و جداگانه آنهاست و از اینرو روش­های ویژه­ای در اندوکاردیوم بطن چپ پیشنهاد می­ کند. اولین گام، یافتن مرز اندوکاردیال با حد آستانه [۱۸-۱۵] و یا برنامه ریزی پویا^[۲۰] DP[25-19] می­باشد. شکل هندسی مدور بطن چپ باعث تسهیل استفاده از DP شده است. چندین راه حل به منظور وارد نکردن عضلات پاپیلاری پیشنهاد شده است: محاسبه سطح محدب حد فاصل کانتورها، کاربرد مورفولوژی ریاضی [۲۶،۲۷]، اصلاحاتی همچون باز و بسته کردن در سطح حد فاصل و یا منطبق کردن یک منحنی پارامتری در حد فاصل، تا سطح آن هموارتر شود.
اپی­کاردیوم در طی دومین مرحله مشخص می­ شود که اغلب متکی بر سطح اندوکاردیال است که عملگرهای مورفولوژی ریاضی را استفاده می­ کنند. دقت کنید جهت شروع آنها، بیشتر روش­ها متکی بر یک مداخله ساده کاربر مثل تنظیم مرکز بطن چپ یا کشیدن دوایر دور یک کانتور میوکاردیوم می­باشد. زمانیکه حدفاصل­ها بطور یکسان پردازش شوند، پردازش با سطوحی که بطور دستی روی اولین تصویر کشیده شده است آغاز می­گردد. کانتورهای دستی سپس از طریق تماس تصاویر متعاقب با بهره گرفتن از جداسازی و سپس ادغام، ثبت non- rigid و یا DP چند بعدی منتشر می­ شود. هر نمونه بطور جداگانه در طی زمان با تعیین جستجو دنبال می­ شود [۲۹-۲۸].
آستانه­گیری: یکی از معمولترین روش­ها برای بخش­بندی تصویر روش آستانه­گیری است که به صورت معمول برای بخش­بندی یک تصویر داخل دو یا بیشتر از دو ناحیه استفاده می­ شود [۳۰]. روش­های آستانه­گیری می ­تواند داخل دو گروه مختلف تقسیم شوند: روش­های آستانه­گیری بهینه [۳۱] و روش­های آستانه­گیری بر اساس ویژگی [۳۲]. جستجوی گروه قدیمی­تر برای آستانه­های بهینه این است که برای اینکه به ویژگی­های مطلوب دست پیدا کنند کلاس­های آستانه­گیری روی هیستوگرام ایجاد می­ کنند. معمولا این بوسیله بهینه­سازی یک تابع هدف انجام می­ شود. گروه جدیدتر آستانه­ها را بوسیله اندازه ­گیری بعضی از ویژگی­های انتخاب شده از هیستوگرام ایجاد می­ کنند. روش­هایی که بر اساس آستانه­گیری بر اساس ویژگی عمل می­ کنند سریع هستند، که برای آستانه­گیری چند سطحی نیز مفید می­باشند. روش­های مختلفی در مقالات برای حل مسئله آستانه­گیری بهینه ارائه شده است [۳۳،۳۴]. همچنین روش اتسو و چندین روش الهام گرفته از بیولوژیک برای بخش­بندی تصاویر مورد استفاده قرار گرفته است [۳۵]. الگوریتم­های الهام گرفته از بیولوژیک در شرایطی که روش­های بهینه­سازی قدیمی نمی ­توانند یک حل رضایت­بخش را پیدا کنند استفاده می­شوند. برای مثال وقتی تابعی که باید بهینه شود ناپیوسته باشد و یا پارامترهای وابسته غیر خطی زیادی حضور داشته باشند، این روش­ها مفید هستند.
۲-۲-۲-۱-۲- روش­های مبتنی بر طبقه ­بندی پیکسل
در بخش­بندی تصاویر پزشکی، طبقه ­بندی پیکسل بیشتر هنگامی استفاده می­ شود که تصاویر متعدد از یک موضع یکسان در دسترس هستند. هر همسایگی با چندین ویژگی تکمیلی توصیف می­ شود. تصویر به ناحیه یا کلاس­هایی تقسیم می­ شود که حاوی پیکسل­هایی است که ارزش­های عددی نزدیکی دارند. ویژگی­ها معمولاً ارزش­های عددی سطوح خاکستری بوده و بخش­بندی اغلب با بهره گرفتن از تکنیک­های استاندارد که GMM[36] و خوشه­بندی^[۲۱] هستند انجام می­ شود. در طی پردازش بخش­بندی، روش­ها فرض­هایی در ارتباط با موقعیت حفره، به منظور جبران فقدان اطلاعات فضایی استفاده می­ کنند. همچون روش­های مبتنی بر تصویر، هر دو سطح کانتور بطور جداگانه پردازش می­شوند.
اصول GMM، منطبق کردن هیستوگرام تصویر با ترکیبی از گوسین­ها با بهره گرفتن از الگوریتم EM می­باشد [۳۷]. تعداد گوسین­ها که با تعداد حالات هسیتوگرام منطبق است، بایستی در ابتدا متناسب شود. معمولاً بین ۲ تا ۵ حالات متناسب انتخاب می­شوند. اثر نسبی حجم می ­تواند مسئول افزایش گوسین­ها و معرف حجم نسبی بین میوکاردیوم و خون، میوکاردیوم و هوا باشد. الگوریم EM با بهره گرفتن از گام اولیه مکان­ یابی قلب با بهره گرفتن از اطلس آغاز می­ شود. نتایج بخش­بندی EM می ­تواند در ماتریس پویا قرار گیرد [۳۸]. رویکرد خوشه­بندی شامل جمع آوری اطلاعات در خوشه ­ها در یک موضع است. خوشه­بندی می ­تواند با الگوریتم میانگین k-mean)- (k انجام شود. پس از بدست آوردن ناحیه­های خوشه­ای جداگانه، حفره بطن چپ یا محاسبه فاصله حلقه محاسبه می­ شود [۳۹].