ناحیه بندی تومور در تصاویر mr

ناحیه بندی تصاویر mr مغز نقش پر اهمیتی را در سیستم های تشخیص نابهنجاری ها مانند تومور بازی می کند. در این پایان نامه از مدل آماری میدان تصادفی مارکوف به منظور ناحیه بندی بدون ناظر تصاویر mr استفاده شده است. این مدل یک مدل آماری است که مساله ی ناحیه بندی تصویر را به مساله ی برچسب گذاری تبدیل می کند و هدف آن یافتن یک میدان تصادفی برچسب گذاری شده با انرژی بهینه می باشد. به منظور بهبود کارایی روش و افزایش سرعت همگراییِ الگوریتم در یافتن جواب بهینه، دو الگوریتم بهینه سازی پیشنهاد می شود. در روش اول از ترکیب الگوریتم تبرید فلزات و الگوریتم ژنتیک اصلاح شده استفاده شده است. الگوریتم تبرید فلزات یک الگوریتم بهینه سازی قوی با سرعت محاسباتی پایین به منظور یافتن جواب بهینه است و الگوریتم ژنتیک یک جستجوی سریع است که ضمانتی در یافتن جواب بهینه ندارد. در ترکیب این دو روش با بهره گرفتن از مزایای هر الگوریتم سعی در پوشاندن کاستی های الگوریتم دیگر هست. به این طریق به روشی دست خواهیم یافت که از لحاظ سرعت و دقت محاسباتی به خوبی عمل می کند. در روش دوم از ترکیب الگوریتم های اجتماعی شامل بهینه سازی اجتماع مورچگان و الگوریتم شایعه پراکنی کمک گرفته شده است. الگوریتم های اجتماع مورچگان یک الگوریتم هدایت شده چند عامله برای بهینه سازی است که از رفتار مورچگان در پیدا کردن مسیر بهینه میان لانه و غذا ایده گرفته شده است و ترکیب الگوریتم شایعه پراکنی با آن باعث تصمیم گیری هدفمندانه و بهبود عملکرد هر یک از عامل ها در الگوریتم می شود. در نتیجه سرعت و دقت محاسباتی الگوریتم بهبود می یابد. در این تحقیق به منظور آزمون روش های پیشنهادی از سه نوع مجموعه داده و مقایسه نتایج با الگوریتم استاندارد مدل تصادفی مارکوف استفاده شده است. در رویکرد اول از روش های مطرح شده به منظور ناحیه بندی بافت های سالم مغز شامل ماده سفید، ماده خاکستری، مایع نخاعی در تصاویر واقعی mr استفاده شده است. در روش استاندارد نتایج نشان دهنده میانگین درصد ضریب dice 1/72% است. در مقابل همین معیار برای روش ترکیبی الگوریتم تبرید فلزات و الگوریتم ژنتیک برابر با 1/73% و برای روش ترکیبی الگوریتم های اجتماع مورچگان و شایعه پراکنی برابر با 7/72% می باشد. همچنین میانگین درصد کاهش زمان محاسبات روش پیشنهادی اول نسبت به الگوریتم استاندارد برابر با 49/89% و برای روش پیشنهادی دوم نسبت به الگوریتم استاندارد برابر با 02/59% می باشد. در رویکرد دوم از روش ها به منظور ناحیه بندی تومور در تصاویر واقعی مغز استفاده شده است. میانگین درصد ضریب dice در ناحیه بندی تومور در روش استاندارد برابر با 1/73%، در روش پیشنهادی اول 76% و برای روش پیشنهادی دوم معادل با 8/70% می باشد. همچنین میانگین درصد کاهش زمان محاسباتی روش پیشنهادی اول نسبت به روش استاندارد 33/91% و روش پیشنهادی دوم 21/71% می باشد. در رویکرد سوم روش های مطرح شده به منظور ناحیه بندی تصاویر شبیه سازی شده چند-طیفی مغز استفاده شده است. در روش استاندارد، نتایج نشان دهنده میانگین درصد ضریب dice برابر با 1/82% می باشد. این معیار برای روش پیشنهادی اول برابر با 2/83% و برای پیشنهادی دوم برابر با 7/82% می باشد. همچنین میانگین درصد کاهش زمان محاسباتی روش پیشنهادی اول نسبت به روش استاندارد 08/77% و روش پیشنهادی دوم نسبت به روش استاندارد 08/67% می باشد.