دسته‌بندی تومورهای مغزی براساس تجزیه مولفه‌های اساسی تنک ساختار‌یافته و الگوریتم فاکتورگیری ماتریس غیر‌منفی تنک

تعیین نوع تومور مغزی براساس پردازش تصاویر ام‌آرآی در کنار دانش پزشکی می‌تواند به تصمیم‌گیری درستی در مورد وضعیت بیمار منجر شود. در این راستا تشخیص خوش‌خیم یا بدخیم بودن تومور و انتخاب روش درمانی بر این اساس، به دلیل لزوم بررسی دقیق جزئیات بافت تومور و امکان بروز خطا می‌تواند به یک مبحث چالش برانگیز تبدیل شود. در این صورت پرداختن به این مسئله به کمک تکنیک‌های پردازش تصویر می‌تواند اهمیت بسیاری داشته باشد. در این مقاله، تشخیص مناسب نوع تومور به کمک ویژگی‌های بافتی و آماری تصویر و انتخاب بهترین بردار ویژگی صورت می‌گیرد. سپس از الگوریتم تحلیل مولفه‌های اساسی تنک ساختار‌یافته به منظور کاهش بُعد این دسته ویژگی‌ها استفاده می‌شود. در ادامه بردارهای ویژگی حاصل به منظور آموزش مدل‌های جامع بازنمایی‌کننده ساختار داده مربوط به هر نوع تومور مغزی به کمک الگوریتم فاکتورگیری ماتریس غیرمنفی تنک مورد استفاده قرار می‌گیرند. دسته‌بندی داده‌ها در روش پیشنهادی براساس مقدار نرخ انرژی محاسبه شده برای ضرایب تنک صورت می‌گیرد. همچنین نتایج این دسته‌بندی با نتایج حاصل از طبقه‌بندهای مبتنی‌بر شبکه عصبی و ماشین بردار پشتیبان مقایسه گردیده است. نتایج شبیه‌سازی‌ها نشان می‌دهدکه روش پیشنهادی مبتنی‌بر ویژگی‌های ترکیبی آماری/بافتی قادر به دسته‌بندی انواع تومور مغزی با دقت بالا خواهد بود.

Classification of Brain Tumor Using Sparse Nonnegative Matrix Factorization and Structured Sparse Principal Component Analysis

Classification of brain tumors using MRI images along with medical knowledge can lead to proper decisionmaking on the patient's condition. Also, classification of benign or malignant tumors is one of the challenging issues due to the need for detailed analysis of tumor tissue. Therefore, addressing this field using image processing techniques can be very important. In this paper, various types of texturebased and statisticalbased features are used to determine the type of brain tumor and different types of features are applied in this classification procedure. Sparse nonnegative matrix factorization algorithm is used to learn the overcomplete models based on the characteristics of each data category. Also, sparse structured principal component analysis algorithm is applied to reduce the dimension of training data. The classification process is carried out based on the calculated energy of the sparse coefficients. Also, the results of this categorization are compared with the results of the classification based on the neural network and support vector machine. The simulation results show that the proposed method based on the selected combinational features and learning the overcomplete dictionaries can be able to classify the types of brain tumors precisely.