شبکههای عصبی چند نورونی

بهبود کاهش نویز در تصاویر رادیوگرافی با استفاده از فیلترهای بر پایه شبکههای عصبی چند نورونی الهام عظیمی 1 سیامک حقی پور 2 علیرضا عندلیب 3 1. دانشگاه آزاد اسالمی واحد تبریز گروه مکاترونیک تبریز ایران 2. دانشگاه آزاد اسالمی واحد تبریز گروه مهندس پزشکی تبریز ایران 3. دانشگاه آزاد اسالمی واحد تبریز گروه مهندس برق تبریز ایران Elham.azimi84@gmail.com نام ارائهدهنده: الهام عظیمی خالصه رادیوگرافی یکی از روشهای تصویربرداری پزشکی می باشد که در علوم تشخیصی کاربرد فراوانی دارد.کیفیت تصویر رادیوگرافی نقشی مهم در تفسیر ارائه شده توسط مفسر دارد. هدف از این تحقیق ارائه یک روش موثر و کارآمد برای بهبود کاهش نویز در تصاویر رادیوگرافی می باشد. بدین منظور فیلترهای بر پایه شبکه ی عصبی چند نورونی را انتخاب کرده ایم. روش های مبتنی برای شبکه های عصبی چند الیه برای حذف نویز دارای دو متغییر اصلی می باشند که یکی از آن ها سیستم شناسایی خصوصیات و دیگری تعداد فیلترهای شبکهی عصبی می باشد. در تحقیق حاضر با انتخاب مناسب این موارد کاهش نویز تصاویر رادیوگرافی را بهبود بخشیم و کیفیت لبه های تصویر را که حاوی جزیئات و اطالعات مهمی می باشند را ارتقا دهیم. نتایج آزمایشها برتری روش پیشنهادی را نسبت به سایر روشها به اثبات میرساند. کلمات کلیدی: فیلترهای شبکه عصبی چندنورونی تصاویر رادیوگرافی سیستم شناسایی خصوصیات 1.مقدمه تصاویر پزشکی با توجه به اینکه وضعیت بدن را به صورت دو بعدی و حتی سه بعدی )بوسیله کامپیوتر( نشان میدهند یکی از مهمترین وسایل تشخیص برای پزشکان هستند که همواره بخش عظیمی از تحقیقات را به خود اختصاص دادهاند.سیستمهای تصویر برداری عبارتنداز: روشهای اشعه ایکس)رادیوگرافی فلوئورسکوپی و...( روش مغناطیسی ام آر ای پزشکی هستهای و روشهای ماوراصوت. [1] استفاده نیستند لذا پردازشهای وسیع و گستردهای روی آنها صورت میگیرد که عموما شامل موارد زیر است : تصاویر حاصله در روشهای فوق عموما به صورت خام قابل پردازش تصاویر و استخراج اطالعات موثر در تشخیص و یافتن مواضع مورد توجه.. بازسازی تصاویر در کامپیوتر به صورت سه بعدی و درونیابی اطالعات جهت تولید برشهای الزم از ارگان تحت تصویربرداری. حذف نویز و ارتقاء کیفیت تصویر.[ 3 ] 1

یکی از مهمترین مسائلی که باید به آن توجه کافی شود بحث نویز و کاهش آنها در تصاویر پزشکی است. رهیافت متداول در کاهش نویز و ترمیم تصویر استفاده از فیلترهای مختلف نظیر فیلترهای ریختشناسی است. نکته مهم در مورد این نوع فیلترها آن است که معموال برای انواع خواصی از نویز مناسبند و سازگار سازی آنها برای حذف نویزهای دیگرممکن نیست. فیلترهای غیر خطی مانند فیلتر میانه نیز در حذف انواع نویزها موثر عمل میکند. فیلتر میانه قادر است نویزهای نقطهای جدا از هم و یا نویزهای خطی جدا از هم را حذف کند در حالیکه در لبههای تصویر تغییری ایجاد نشود. یکی از معایب فیلتر میانه هنگامی است که تصویر از یک حد آستانه باالی %06 نویز بپزیرد که این فیلتر قادر نیست پیکسلهای غیر نویزی را از پیکسلهای نویزدار تشخیص دهد و جزیئات کوچک موجود در تصویر را همراه با نویز جدا می سازد و به همین علت کارایی فیلتر به شدت کاهش مییابد. [5] یک گزینه مناسب برای سازگار نمودن فیلترها جهت مواجه با منابع نویز جدید استفاده از شبکه عصبی است. شبکه عصبی میتواند فیلترهای مناسب را با استفاده از تعدادی الگو یاد بگیرد. فیلتر شبکه عصبی 1 با استفاده از خصوصیات تصاویر آموزشی برای جدا سازی نویز ذرهای در تصاویر بکار گرفته میشود [2-3] اما وقتی که خصوصیات تصویر ورودی با تصویری آموزشی متفاوت باشد فیلتر شبکه عصبی نمیتواند نویز تصویر را حذف کند. در بسیاری از شرایط ما نمیتوانیم از انواع مختلف تصاویربرای آموزش شبکه استفاده بکنیم. بنابراین چگونگی گسترش دادن فیلترهای شبکه عصبی به تصاویر مختلف به عنوان مشکل جدی باقی مانده است. 2.روش پیشنهادی نویز تصاویر رادیوگرافی در گروه لکههای کوانتومی طبقهبندی میشود که وابسته به تعداد وقوع اشعهی ایکس و نویز مصنوعی به خاطر شبکهی برق و... میباشد. لکههای کوانتومی به صورت دانههایی بروی تصاویر رادیوگرافی ظاهر میشوند. به منظور کاهش این دانهها دوز باید افزایش یابد که این امر برای بیماران خطرناك است. بنابراین کاهش نویز در تصاویر پزشکی اشعهی ایکس از اهمیت زیادی برخوردار است. در سیستم تصویربرداری اشعهی ایکس نویز فوتون ماهیت کوانتومی اشعهی ایکس را نشان میدهد. در سطح پایینتر این نویز از قانون پواسون پیروی میکند و با احتمال زیر توصیف میشود: P((x η) = e η η x x! (1) در این رابطه x مقدار فوتون و η میانگین فوتونها در زمان T را نشان میدهد. انحراف استاندارد در این توزیع برابر ریشهی دوم میانگین میباشد یعنی دامنهی نویز فوتون یک سیگنال وابسته است.[ 7] هدف از این تحقیق ارائه یک روش موثر و کارآمد برای بهبود کاهش نویز در تصاویر رادیوگرافی میباشد. بدین منظور فیلترهای بر پایه شبکهی عصبی چند نورونی را انتخاب کردهایم. الگوریتم کلی روش پیشنهادی به صورت ذیل میباشد که به توضیح هر کدام از آنها میپردازیم: تصویر اعمال فیلترهای برپایهی شبکه پیش پردازش تصویر خروجی عصبی چند نورونی به تصویر تصویر ورودی 2.1. تصویر ورودی در این پژوهش تصاویر پزشکی اشعهی ایکس مورد بحث قرار گرفته است.هدف از بهبود کیفیت تصاویر اشعهی ایکس عبارت است از: بهبود حذف نویز و لبههای تصاویر رادیوگرافی تعیین ساختار شبکهی عصبی چندنورونی برای کاهش نویز تصاویر رادیوگرافی تعیین الگوریتم آموزشی برای بهبود کاهش نویز تصاویر رادیوگرافی 1 - neural network filter 2

تصویر اشعه ایکس نویزی که تصویر ورودی فیلتر شبکهی عصبی چند نورونی است را میتوان از تصویر اشعه ایکس آموزشی با نویز کوانتوم و براساس توزیع پواسون ساخت. g(x,y)= 1 poisson(λ f(n, m)) (2) λ در رابطه باال (m, f(nسیگنال تصویر آموزشی است و( poisson(f ایکس با دوز باال با استفاده از توزیع پواسون ساخته میشوند [5 0]: سیگنال ژنراتور پواسون میباشد. تصاویر اشعهی ایکس با دوز پایین از تصاویر اشعهی g(x,y)= 1 poisson(λ f(n, m)) ; λ = 1, 1.5, 1.8 (3) λ در این پژوهش برای جداسازی نویز ذرهایی ما از 0 تصویر اشعهی ایکس نویزی برای آموزش فیلتر شبکهی عصبی چندنورونی استفاده کردهایم. 2.2. پیش پردازش تصویر ورودی به منظور هموار کردن سیگنالهای تصادفی با دامنهی کوچک از فیلتری مناسب استفاده میکنیم. فیلتر پایینگذر با عبور از پیکسلهای فرکانس کم بروی پیکسلهای فرکانس باال تغییرات ایجاد میکنند. پیکسل فرکانس پایین پیکسلی است که اختالف شدت روشنایی آن پیکسل با پیکسلهای همسایهاش کم باشد در مقابل پیکسل فرکانس باال پیکسلی است که اختالف شدت روشنایی آن با پیکسلهای همسایهاش زیاد باشد مانند لبهها و نویزها [9]..1.2.2 فیلتر ε چون اختالف بین سیگنالهای ورودی و خروجی به دلیل وجود تابع F به ε محدود میشود سیگنالهای تصادفی با دامنهی کوچک هموار میشوند در حالی که اجزای سیگنال با دامنهی بزرگ بدون تغییر باقی میمانند. باید توجه داشته باشیم که در این فیلتر دامنهی هموار کردن اجزا باید کوچکتراز نصف ε باشد. این فیلتر بدون از بین بردن تیزی لبهها میتواند نویزهای تصادفی با دامنهی کوچک را سرکوب کند. اگر مقدارε فیلتر مانند یک فیلتر پایینگذر عمل میکند. یک فیلتر خطی پایینگذر یک بعدی بازگشتی به صورت زیر بیان میشود: به اندازهی کافی بزرگ انتخاب شود این N q(k)= v= N a v p(k + v) (4) در این رابطه p(k) ورودی سیگنال و q(k) خروجی سیگنال است و اندازهی فیلتر پایینگذر در این فیلتر برابر 1+2N میباشد. ضرایب فیلتر پایینگذر باید در رابطهی زیر صدق کند: N a v = 1 (5) فیلتر باید سیگنال DC را حفظ کند بدین منظور فیلتر ε با اصالحات انجام شده به صورت زیر در میآید: V= N q(k)= P(k) + N v= N a v F(p(k + v) P(k)) (6) در این رابطه F نشانگر یک تابع غیرخطی است و به مقدار مشخص ε محدود میشود [7-9]. 3

2.1. فیلتر شبكه عصبي چند نوروني 2 خصوصیات فیلتر شبکه عصبی آموزشی برای جداسازی نویز ذرهایی وابسته به خصوصیات تصاویر آموزشی میباشد. این رویکرد در این پژوهش برای تعیین نوع جدیدی از فیلتر شبکه عصبی چند نورونی به منظور کاهش نویز در تصاویر رادیوگرافی پزشکی به کار گرفته شده است. ساختار کلی فیلتر شبکه عصبی (CJS) و چندین فیلتر شبکه عصبی چند الیه (NNFs) میباشد. برخالف روشهای قبلی کاهش نویز از چند نورونی شامل سیستم شناسایی خصوصیات 3 تصاویر که در آن تمام تصویر به عنوان ورودی به کار گرفته میشود ما از فیلتر شبکه عصبی چند نورونی مانند یک پنجرهی متحرك استفاده میکنیم. عملکرد فیلتر شبکه عصبی چند نورونی بروی یک تصویر مانند عملکرد فیلترهای فضایی است. مرحلهی ورودی فیلتر شبکه عصبی چند نورونی شامل گرههای n*n میباشد. در سیستم شناسایی خصوصیات انحراف استاندارد منطقهای از ورودی برای انتخاب NNF تطبیقی محاسبه میگردد پردازش با NNF انتخابی انجام میشود و خروجی یک پیکسل میباشد. جزئیات فیلتر شبکه عصبی چند نورونی ارائه شده به شرح زیر است: 2.2.1. اندازه و شكل ورودی در فیلتر شبكه عصبي چند نوروني فیلتر شبکه عصبی چند نورونی در یک زمان یک پیکسل از تصویر ورودی را پردازش میکند. هر پیکسل توسط پیکسلهای همسایه احاطه شدهاند که برای تشکیل بردار ورودی آنها را رمزگذاری میکنیم. برای تشکیل ورودی از پنجرهی n*n استفاده میکنیم. شکل 1 نشان میدهد که یافتن پیکسل مرکزی هنگامی که طول و عرض پنجره عددی زوج است مشکل میباشد بنابراین در پنجره انتخابی n را عددی فرد در نظر میگیریم تا یافتن پیکسل مرکزی آسان باشد. در عمل به این نتیجه رسیدهایم که اگر اندازهی پنجره را برابر 5 در نظر بگیریم به نتایج رضایت بخشی میرسیم. شکل 1 : شکل ورودیهایMNNF 1.2.1. سیستم شناسایي خصوصیات مشخصههای آماری مهم در تصویر عبارتند از: میانگین انحراف استاندارد واریانس. مشخصههای آماری اطالعات مهمی از یک تصویر را در اختیار ما قرار میدهند. انحراف استاندارد ارزیابی از توزیع فرکانسی و یا رنج مقادیر پیکسل در یک تصویر میباشد. اگر یک تصویر یکنواخت باشد انحراف استاندارد آن کوچک است انحراف استاندارد کوچک نشان دهندهی شدتهای پیکسلی میباشد که از میانگین دور نیستند. برای تعیین ویژگیهای یک تصویر ورودی یک سیستم شناسایی خصوصیات در فیلتر شبکه عصبی پیکسلها در یک منطقهی ورودی فضایی را طبق رابطهی زیر محاسبه میکنیم: چند نورونی طراحی کرده و انحراف استاندارد (STD) STD= 1 M N (x(i, j) x )2 M N j=1 i=1 (7) M N i=1 j=1 x(i, j) x = (M N) (8) در این رابطه (j x(i, مقدار پیکسل و x میانگین عددی در ناحیهی ورودی را نشان میدهد. 2 -Multineural network filter 3 -characteristics judgment system 4

ابتدا در پیش پردازش 4 Max STD که ماکزیمم انحراف استاندارد در بین تمام پیکسلهای همهی تصاویر آموزشی هست را محاسبه میکنیم تعداد NNFرا x به نزدیکترین عدد صحیح بزرگتر یا مساوی( سپس در پردازش انحراف استاندارد روی ceil( STD Max ) 2 تنظیم میکنیم.)( ceil(x : روند کردن المان پیکسلهای 5*5 را با مرکزیت پیکسل جاری محاسبه میکنیم و براساس std بدست آمده NNF مناسب را انتخاب میشود. به عنوان مثال اگر انحراف استاندارد برابر 1/2 باشد NNf1 انتخاب میشود.در سیستم شناسایی خصوصیات ما میتوانیم فیلتر شبکه عصبی چند نورونی را برای انواع مختلفی از تصاویر با آموزش تعداد محدودی تصویر گسترش دهیم [7-9]. 2.2.1. معماری فیلتر شبكه عصبي در این متد از ساختار شبکههای عصبی پیشخور استفاده شده است.مدلNNF استفاده شده پرسپترون چند الیه (MLP) 5 میباشد که یک شبکهی باناظر است. الگوریتم آموزشی مورد استفاده الگوریتم پس انتشار خطا است. این الگوریتم از معروفترین روشهای آموزش با ناظر است که در شبکههای عصبی پرسپترون کاربرد بسیاری دارد. روشهای آموزشی این الگوریتم متفاوت هستند. در این تحقیق از تکنیک بهینه سازی عددی لونبرگ مارگاریت) trainlm ( استفاده شده است. [8] 3. معیارهای ارزیابي به منظور ارزیابی روش مورد استفاده در کاهش نویز تصاویر رادیوگرافی و مقایسهی آن با روشهای رایج از معیارهای متداول زیر استفاده گردیده است: نسبت میانگین به انحراف استاندارد :(MSR) MSR= η d σ d (9) در این رابطه η d و σ d به ترتیب میانگین و انحراف استاندارد منطقهی مورد نظر( DROI ) میباشند. نسبت نویز به کنتراست( CNR ): نسبت نویز به کنتراست نیز ارزیابی کیفی مهمی برای تفسیر تصاویر پزشکی میباشد که به صورت زیر بیان میشود: CNR= η d η u 0.5(σ d 2 +σ u 2 ) (10) در این رابطه η u و σ u به ترتیب میانگین و انحراف استاندارد در منطقهی غیر دلخواه( UROI ) میباشند. 4 -Preprocessing 5 -multi neural network 5

ب) فلا) فلا) The 8 th Symposium on Advances in Science and Technology (8thSASTech), Mashhad, Iran. 8thSASTech.khi.ac.ir نسبت سیگنال به نویز :(PSNR) برای ارزیابی کارایی فیلتر جدیدی که در این پژوهش استفاده کردهایم نسبت سیگنال به نویز را به عنوان روش ارزیابی کیفی تصویر محاسبه میکنیم. رابطهی سیگنال به نویزی که در تصاویر اشعهی ایکس پزشکی استفاده میشود به صورت زیر تعریف میشود: PSNR=20log 10 1 MSE (11) MSE= 1 H,L H L x,y (d(x, y)/max (D) o(x, y)/max (O))2 (d(x, y) D, o(x, y) O) (12) تصویر اشعهی ایکس دوز باالی d(x, (y D محتوای پیکسلهای L Hمیباشد و تصویر احیا شده o(x, (y O میباشد[ 5]. 4.نتایج برای سنجش عملکرد شبکه در نرم افزارMATLAB از 5 دسته تصاویر رادیوگرافی شامل تصاویر پا ستون فقرات زانو قوزك پا و دندان استفاده شده است. تعداد نرون های الیه مخفی متغییر انتخاب شده است. در صورتی که نتایج بدست آمده از روال آموزش مورد قبول نباشد با تکرار آموزش شبکه و یا افزایش تدریجی تعداد نورونهای الیهی مخفی نتایج بهبود پیدا خواهد کرد.در محدوده 3 الی 16 نرون بررسی های حذف نویز انجام شده است. برنامه روی 56 تصویر مختلف از تصاویر رادیوگرافی تست شده است به عنوان نمونه نتایج مربوط به تصاویر رادیوگرافی دندان و قفسه سینه در تصاویر شکل 2 و 3 ارائه شده است با توجه به روش های ارزیابی انجام شده 5 نرون بهترین حالت انتخاب شده است. و میانگین نتایج حاصل در جداول 1 و 2 ارائه شده است. 1.تصاویر رادیوگرافي دندان ) ) )ج( ) تصویر اصلی. )ب( تصویر نویزی. )ج( تصویر حاصل از کاهش نویز با روش MNNF شکل 2: جدول 1 : نتایج MNNF برای تصاویر رادیوگرافی دندان Clear Noisy Denoised PSNR 35/0443 32/7775 34/9594 CNR 1/9075 1/8445 1/8522 MSR 1/3737 1/3638 1/3732 6

2.تصاویر رادیوگرافي قفسه سینه )ج( )ب( )الف( شکل 3: )الف( تصویر اصلی. )ب( تصویر نویزی. )ج( تصویر حاصل از کاهش نویز با روش MNNF جدول 2 : نتایج MNNF برای تصاویر رادیوگرافی قفسه سینه Clear Noisy Denoised PSNR 29/4984 24/1281 28/3436 CNR 1/3052 1/2387 1/2804 MSR 1/0745 1/0700 1/0744 به منظور ارزیابی روش مورد استفاده در کاهش نویز تصاویر رادیوگرافی و مقایسهی آن با روشهای رایج از نسبت مقدار دی نویز شده به مقدار نویزی استفاده شده است و روش پیشنهادی با روش حذف نویز توسط شبکهی عصبی فیلتر وینر و فیلتر میانه مقایسه گردیده است [7-9] و نتایج حاصل در جداول 3 الی 5 ارائه شده است. جدول شماره 3 : مقایسه عملکرد فیلترهای مختلف براساس معیار PSNR PSNR قفسه سینه زانو ساق پا MF 1 / 820 1 / 842 1 / 880 WF 1 / 820 1 / 851 1 / 887 NNF 1 / 812 1 / 842 1 / 887 MNNF 1 / 80 1 / 871 1 / 80 جدول شماره 4 :مقایسه عملکرد فیلترهای مختلف براساس معیار MSR MSR قفسه سینه زانو ساق پا MF 1 / 884 1 / 851 1 / 815 WF 1 / 884 1 / 850 1 / 810 NNF 1 / 884 1 / 840 1 / 882 MNNF 1 / 880 1 / 801 1 / 821 جدول شماره 5 :مقایسه عملکرد فیلترهای مختلف براساس معیار CNR ساق پا زانو قفسه سینه CNR 7

MF 1 / 880 1 / 82 1 WF 1 / 880 1 / 82 1 NNF 1 / 882 1 / 81 1 / 887 MNNF 1 / 884 1 / 804 1 / 887 در جدول شماره 3 نسبت مقدار دی نویز شده به مقدار نویزی معیار PSNR برای فیلترهای مختلف آورده شده است. نتایج نشان میدهد که وقتی دوز تصاویر کم است عملکرد فیلتر WF بهتر از فیلتر MF میباشد و عملکرد مناسب روش MNNF در مقایسه با دیگر روشها قابل مشاهده است. در جدول شماره 4 و 5 نیز نسبت مقدار دی نویز شده به مقدار نویزی متداول قبلی نشان میدهد. معیارهای MSR و CNR آورده شده است که نتایج بدست آمده کارآیی این روش را نسبت به روشهای 5.نتیجهگیری حذف نویز تصاویر پزشکی یکی از مهمترین و پرچالشترین مراحل یک سیستم پردازش تصویر است. زیرا برای تفسیر و تصمیمگیری دقیق وجود تصویر با کیفیت مطلوب اجتنابناپذیر میباشد.. نویز تصاویر رادیوگرافی در گروه لکههای کوانتومی طبقهبندی میشود که وابسته به تعداد وقوع اشعهی ایکس و نویز مصنوعی به خاطر شبکهی برق و... میباشد. در این تحقیق یک روش موثر و کارآمد برای بهبود کاهش نویز در تصاویر رادیوگرافی ارائه گردیده است. بعد از تست برنامه روی 56 تصویر مختلف از تصاویر رادیوگرافی و محاسبه میانگین نتایج حاصل روش پیشنهادی با روش حذف نویز توسط شبکهی عصبی فیلتر وینر و فیلتر میانه مقایسه گردید و با توجه به نتایج به دست آمده مشاهده میشود که فیلترهای بر پایه شبکه عصبی چند نورونی روش مناسبی برای کاهش نویز تصاویر رادیوگرافی می باشد. این تحقیق بر روی تصاویر رادیوگرافی اعمال شده است که میتوان روی سایر تصاویر پزشکی با ویژگیهای متفاوت اعمال گردد. همچنین استفاده و بررسی نوع دیگری از شبکههای عصبی مثل شبکه های پیش خور تعمیم یافته جهت بهبود حذف نویز تصاویر مناسب به نظر می رسد. ] 1[ Barkhordar RA, Nicholson RJ. Nguyen NT, et al. An evaluation of xeroradiographs and radiographs in length determination in endodontics. Oral Surg, Oral Med, Oral Pathol, 1987. P.747-50 ] 2[ Benjamin Y. M. Kwan and Hon Keung Kwan, Impulse Noise Reduction in Brain Magnet Resonance Imaging Using Fuzzy Filters, world Academy of science, Engineering and Technology 60 2011 ] 0[ Govind N Sarage, Dr Sagar Jambhorkar, Magnetic Resonance Image Denoising using Laplacian Filtering Technique, International Journal of Advanced Research in Computer Science and Software Engineering, 2012, Volum 2, Issue 5. 6. منابع ] 4[ Hong.jun Li, Zhi.min Zhao, Miao.Lei Yu, A novel image denoising algorithm in wavelet domain using total variation and gray theory, Engineering Computations, 2010, pp. 863 877 [5] K.Suzuki, I.Horiba, N.Sugie, Efficient approximation of neural filters for removing quantum noise from image, IEEE Trans. Signal Process. 50 (7) (2002) 1787-1799 [0] Mehdi Nasri, Hossein Nezamabadi-pour, Image denoising in the wavelet domain using a new adaptive thresholding function, Neurocomputing 72 (2009), pages 1012 1025 8

[7] M.K.Ozkan, A.T.Erdern, M.I.Sezan, A.M.Telcalp, Efficient multiframe Wiener restoration of blurred and noise image sequences, IEEE Trans. Image Process.1 (4) (1992) 453-476 [0] N. Naveeda, A. Hussainb, M. Arfan Jaffar, Tae-Sun Choic, Quantum and impulse noise filtering from breast mammogram images, Comput. Methods Programs Biomed. (2012), http://dx.doi.org/10.1016/j.cmpb.2012.07.002 [9] T. Santhanam, S. Radhika, Application of Neural Networks for Noise and Filter Classification to enhance the Image Quality, IJCSI International Journal of Computer Science Issues, Vol. 8, Issue 5, No 2, September 2011 9