به کار گیری تکنیک های پردازشگر تصویر، برای تشخیص سرطان با استفاده از تصاویر ریزآرایه

چکیده

کلمات کلیدی

1.مقدمه

2. سیستم پیشنهادی

شکل یک: بررسی سیستم تجزیه و تحلیل تصویر ریزآرایه ای

۲.۱. تشخیص زاویه چرخش و اصلاح آن 

۲.۲. بلوک بندی تصاویر ریزآرایه ای

شکل دو- پیاده کردن تصویر ریزآرایه ای در بلوک هایی از نقاط

۲.۳. طبقه بندی هر بلوک در تصویر

شکل ۳: نقاط قرار داده شده در یک بلوک از تصویر ریزآرایه ای. الف) نمودار ستونی افقی از یک بلوک در یک تصویر ریزآرایه ای. ب) تابع خود-همبستگی کمیتی اعمال شده بر نمودار ستونی. ج) نتایج برطرف کردن اختلال. د) نتایج طبقه بندی.  

۲.۴. تقسیم بندی

۲.۵. محاسبه ی بیان ژن

شکل۴: بیان ژن های به دست آمده از تصویر ریزآرایه ای (محاسبه ی نسبت شدت روشنایی به سطح خاکستری نقاط در دو کانال رنگی تصویر). A بیانگر میانگین شدت روشنایی نقاط و M نشان دهنده ی سطح بیان در ژن ها است. 

۲.۶. عادی سازی  

۲.۷. انتخاب ژن 

شکل۵: مقایسه ی داده های ریزآرایه ای قبل و بعد از عادی سازی. الف) پراکندگی اطلاعات قبل از عادی سازی و تعیین منحنی برگشت. ب) پراکندگی داده ها بعد از عادی سازی. 

۲.۸. طبقه بندی داده ها 

۳. نتایج

۳.۱. پایگاه اطلاعاتی  

۳.۱.۱. اطلاعات سرطان سینه

۳.۱.۲. اطلاعات سرطان لنفاوی

۳.۱.۳. سرطان خون مغز استخوان

۳.۲. ارزیابی سیستم پیشنهاد شده

۳.۲.۱. عملکرد در چرخش تصویر

جدول ۱. میانگین درستی روش پیشنهاد شده در اصلاح چرخش در دو تصویر

۳.۲.۲. نتایج بلوک بندی و طبقه بندی

جدول ۲. درستی روش پیشنهادی برای تعیین مکان بلوک ها و نقاط در سه تصویر ریزآرایه ای. 

شکل۶. موقعیت بلوک ها و نقاط در یک تصویر ریزآرایه ای، بخش الف) مربوط به جایگاه بلوک ها، و ب) مربوط به شناسایی مکان نقاط

۳.۲.۳. نتایج طبقه بندی

شکل ۷. مقایسه ی روش پیشنهاد شده و روش ریخت شناسی برای حذف پس زمینه ها از تصاویر ریزآرایه ای. a و b در هر ردیف مثالی جدا از حذف پس زمینه در اطلاعات مصنوعی(غیرواقعی)  را نشان می دهند. ستون ها: ۱)نمایش تصویر اصلی ۲) نمایش پس زمینه ی تصویر ۳) تخمین پس زمینه با استفاده از روش ریخت شناسی ۴) بازیابی تصویر اصلی با استفاده از روش ریخت شناسی ۵) تخمین پس زمینه با استفاده از   ۶) بازیابی تصویر اصلی با استفاده از  . 

جدول ۳. مقایسه ی میانگین خطا در حذف پس زمینه با استفاده از روش پیشنهادی و روش ریخت شناسی

شکل۸. نتایج حذف پس زمینه از تصاویر ریزآرایه ای واقعی (a-b). ستون ها: ۱) نمایش تصویر اصلی ۲) تخمین پس زمینه با استفاده از روش ریخت شناسی ۳) بازیابی تصویر اصلی با استفاده از روش ریخت شناسی ۴) تخمین پس زمینه با استفاده از   ۵) بازیابی تصویر اصلی با استفاده از  . 

۳.۲.۴ نتایج انتخاب ژن در پایگاه اطلاعاتی ریزآرایه ای

جدول۴. ۱۰ ژن برتر استخراج شده از سرطان سینه به وسیله ی روش جمع آوری اطلاعات

جدول ۵. ۱۰ ژن برتر استخراج شده از سرطان لنفاوی به وسیله ی فرآیندهای جمع آوری اطلاعات

جدول ۶. ۱۰ ژن برتر استخراج شده از سرطان خون مغز استخوان به وسیله ی روش جمع آوری اطلاعات

۳.۲.۵. دسته بندی اطلاعات ریز آرایه ای برای تعیین نوع سرطان

۴. نتیجه گیری

شکل۹.دقت و درستی درخت J48  ، درخت تصادفی، الگوریتم های SMO  و روش ترکیبی

جدول۷. مقایسه ی دقت و درستی الگوریتم های تصمیم گیری مختلف در تشخیص انواع تومور سرطانی

 نکات برجسته

تکنولوژی ریزآرایه یک ابزار قدرتمند ژنوم برای مطالعه و بررسی هزاران ژن به صورت همزمان است. بررسی تصاویر به دست آمده از این تکنولوژی نقش بسیار حیاتی را در تشخیص و درمان بیماری ها ایفا می کند. هدف این تحقیق ایجاد یک سیستم اتوماتیک برای بررسی و تجزیه و تحلیل اطلاعات تصاویر ریزآرایه برای تشخیص موارد سرطانی است. این سیستم پیشنهاد شده از سه مرحله ی اصلی تشکیل شده است: طبقه بندی از طریق نامگذاری ، استخراج اطلاعات، و تشخیص بیماری. مرحله ی پردازش تصویر کارهایی همانند تنظیم کردن چرخش عکس، اصلاح چرخش تصویر، محدود کردن ساختمان تصویر (تعیین محل کردن برای ژن ها) و استخراج اطلاعات خام از تصاویر، استخراج اطلاعات؛ شامل عادی کردن اطلاعات استخراج شده و انتخاب موثرترین ژن ها است. در نهایت، از طریق اطلاعات استخراج شده، سلول سرطانی شناسایی می شود. جهت ارزیابی عملکرد این سیستم پیشنهاد شده، پایگاه اطلاعاتی ریزآرایه مورد استفاده قرار می گیرد، که شامل سرطان سینه، سرطان خون و مغزاستخوان و لنفاوی از پایگاه اطلاعاتی ریزآرایه دانشگاه استنفورد می شود. نتایج به دست آمده حاکی از این است که سیستم پیشنهاد شده قادر است نوع سرطان را با مجموعه اطلاعات به دست آمده با ضریب درستی به ترتیب ۹۵.۴۵٪ ، ۹۴.۱۱٪ و ۱۰۰٪ شناسایی کند.

در سالهای اخیر، استفاده از تکنولوژی ریزآرایه به شکل یک تراشه ی کوچک این امکان را فراهم ساخته تا هزاران ژن را به صورت همزمان مورد بررسی قرار دهیم. تکنولوژی ریزآرایه شامل تراشه ژن می شود که مجموعه ای از توالی ژن ها در مکان های شناخته شده روی یک سطح جامد است. هر ژن روی تراشه ی ریزآرایه یک نقطه نامیده میشود. تصاویر به دست آمده از این تراشه شامل یک ماتریکس با چندین بلوک می شوند و هر بلوک دارای تعدادی ردیف و ستون از این نقاط است. (۱) هرساله ده ها هزار تصویر ریزآرایه ای در ابعاد مختلف در آزمایشگاه های زیست شناسی تولید می شوند. بنابراین، پردازش سریع و اتوماتیک این تصاویر و تجزیه و تحلیل اطلاعات ریزآرایه ای از اهمیت فوق العاده ای برخوردار است. یکی از چالش هایی که این تکنولوژی با آن مواجه شده است حجم عظیمی از اطلاعات می باشد که نیازمند استفاده از تکنیک های آماری، تکنولوژی اطلاعات و روش های به دست آوردن اطلاعات به صورت ماشینی می باشد. به طور کلی، تکنولوژی ریزآرایه شامل دو مرحله ی اصلی می باشد: آزمایشات بالینی برای تولید تصاویر ریزآرایه ای و تجزیه و تحلیل این تصاویر (۲). مراحل کلیدی در تجزیه و تحلیل ریزآرایه عبارتند از: بررسی و پردازش تصویر، استخراج اطلاعات و شناسایی بیماری. هدف از پردازش تصویر تعیین اندازه ی تصاویر ریزآرایه ای است. اندازه گیری تصاویر ریزآرایه ای معمولا طی سه مرحله انجام می شود: طبقه بندی از طریق نامگذاری، قطعه بندی ، و محاسبه ی ژن بیان شده. در حال حاضر، نرم افزاهایی مانند GenePix ، ScanAlyze، و ImaGene در بازار در دسترس هستند تا تجزیه و تحلیل ریزآرایه ای را اجرا کنند. این نرم افزار ها با استفاده از الگوریتم های مختلف در طبقه بندی از طریق نامگذاری، قطعه بندی،‌ و استخراج شدت نور متناسب در سطح خاکستری نقاط، اندازه ی تصاویر ریزآرایه ای را تعیین می کند (۳ و ۴). در مرحله ی طبقه بندی، محل قرارگیری هر نقطه شناسایی می شود. از میان روش های طبقه بندی موجود، می توان به طبقه بندی از طریق ماشین پشتیبانی بردار (SVM) ( ۵) تکنیک های آستانه ای تصویر (۶)، و روش های ترکیبی (۷) اشاره کرد. در میان این روش ها هنوز هم مسائلی وجود دارند که باید حل شوند. برای مثال؛ برخی از روش ها نمی توانند عملکرد طبقه بندی روی تصاویری که مشکلاتی همچون اختلال دارند را به صورت رضایتبخش انجام دهند (۵)، در حالی که برخی از دیگر روش ها تنها می توانند برای تصاویری که نقطه هایشان در فواصل یکسان از یکدیگر قرار گرفته اند مورد استفاده قرار بگیرند، بنابراین، موجب دقت پایین برای تصاویر واقعی می شود (۸). در مرحله ی قطعه بندی، پیکسل های (قطعات ریز عکس) پیش زمینه ی عکس های ریزآرایه ای از پیکسل های پس زمینه ی آن جدا می شوند. پیش زمینه شامل پیکسل های مربوط به نقاط و پس زمینه مربوط به پیکسل های اطراف نقطه ها می شود. شناخته شده ترین روش های قطعه بندی برای انجام این کار شامل قطعه بندی براساس یک دایره ی ثابت، شکل تطبیقی، قطعه بندی بر اساس نمودار ستونی و دایره انطباقی می شوند (۹). این تکنیک ها در برنامه های کاربردی مانند ScanAlyze و GenePix مورد استفاده قرار می گیرند (۴ و ۱۰). در برخی از تحقیقات قطعه بندی از طریق دسته بندی روش ها مثل نزدیک ترین همسایه (۱۱) و ماشین پشتیبانی بردار (۱۲) انجام می شود. سایر روش ها از شناسایی الگو و یا طبقه بندی برای شناسایی قطعه بندی استفاده می کنند (۱۳)، اما ورودی پارامترها برای این روش ها ضروری است. در نهایت، در آخرین مرحله ی پردازش تصویر، روشنایی هر نقطه استخراج می شود و سطح بیان ژن با مقایسه ی دو نمونه در کانال های سبز و قرمز تصویر محاسبه می شود (نمونه های بیمار و سالم). تحقیقات اخیر (۱۴) نشان داده اند که تعداد کمی از ژن ها می توانند برای طبقه بندی بهینه کافی باشند. این کار نیازمند انتخاب زیرمجموعه های ژنی دارای اطلاعات مفید است که به میزان زیادی به گروه های خاص برای طبقه بندی مربوط هستند. بنابراین در مرحله ی استخراج داده ها، ژن های دارای اطلاعات مفید استخراج شده و مورد آزمایش قرار می گیرند. جهت انتخاب ژن های مفید، معمولا روش های ترکیبی مانند ضریب همبستگی پیرسون ، اطلاعات متقابل ، ضریب کسینوس و اطلاعات متقابل (۱۵)، جدایی طبقه ها، آزمون t و مزیت اطلاعات (۱۶) مورد استفاده قرار می گیرند، همچنین روش های منحصربه فردی هم وجود دارند که مورد استفاده قرار می گیرند مانند اطلاعات متقابل (۱۷). مرحله ی سوم از طریق ترتیب ریزآرایه ای اطلاعات شناسایی بیماری انجام می شود و یک مدل مرتب که نمونه های اطلاعاتی جدید را در بیماری های از پیش شناسایی شده طبقه بندی می کند به وجود می آورد. در کارهای پیشین، از روش های آماری برای تولید مدل های طبقه بندی کننده در بیانگر اطلاعات ژن استفاده می شود مانند: تقویت کردن، نقشه خود سازماندهی (۱۸)، کمترین میزان مربع و بازگشت منطقی (۱۹)، بسته بندی و تقویت کردن (۲۰)، روش بومی بیز (۲۱)، و یادگیری فعال با استفاده از نزدیک ترین همسایه فازی k برای طبقه بندی اطلاعات ریزآرایه ای (۲۲). بیشتر برنامه های نرم افزاری تجزیه و تحلیل تصویر ( برای مثال ScanAlyze، ImaGene، و Genepix) نیاز دارند که کاربر، چندین پارامتر را تعیین کند و متعاقبا به صورت دستی نقطه های مجزا را تنظیم کند تا نتایج طبقه بندی رضایتبخشی را به دست بیاورد. علاوه بر این، وقتی تصاویر مشکلاتی از قبیل اختلال و چرخش دارند، نقاط به درستی شناسایی نمی شوند. هدف این تحقیق ارائه ی یک سیستم خودکار برای استخراج اطلاعات از تصاویر ریزآرایه ای و ایجاد یک مدل طبقه بندی کننده برای تعیین نوع سرطان است. در این سیستم پیشنهادی، تصاویر ریزآرایه ای به عنوان اطلاعات ورودی مورد استفاده قرار می گیرند و سطوح بیان ژن ها با تکنیک های پردازش تصویر محاسبه می شوند. سپس اطلاعات ریزآرایه ای (ژن) عادی سازی می شوند و تکنیک های استخراج اطلاعات ژن های دارای اطلاعات مفید را استخراج می کنند. در نهایت یک مدل طبقه بندی کننده تولید می شود که نمونه های اطلاعاتی جدید را در بیماری های از پیش شناسایی شده ی مختلف طبقه بندی می کند. بخش دوم این مقاله سیستم پیشنهادی برای تجزیه و تحلیل تصاویر ریزآرایه ای را معرفی می کند. بخش سوم نتایج به دست آمده از این سیستم را با روش های موجود مقایسه می کند. در بخش چهارم نتیجه گیری را خواهیم داشت.