قطعه بندی تومور مغزی در تصاویر mri
thesis
- وزارت علوم، تحقیقات و فناوری - دانشگاه زنجان - دانشکده مهندسی
- author پریسا ندیرخانلو
- adviser سعید فضلی
- publication year 1392
abstract
رشد نامحدود و غیرقابل کنترل سلول¬ها باعث پیداش تومور در مغز می¬شود. اگر تومورهای مغزی به سرعت شناسایی و بطور مناسب درمان نشوند، می¬توانند باعث آسیب مغزی دائم و یا حتی مرگ بیمار شوند. در سال¬های اخیر تصویربرداری تشدید مغناطیسی (mri) نسبت به سایر روش¬های تصویربرداری پزشکی، برای معاینه و تشخیص کمکی تومورهای مغزی بطور گسترده مورد استفاده قرار گرفته است که علاوه بر داشتن کنتراست بالا برای بافت¬های نرم، هیچ یک از آسیب¬های اشعه¬ی رادیواکتیو را برای انسان ندارد. پزشکان با قطعه¬بندی تومور در تصاویر mri مغز می¬توانند اطلاعاتی از موقعیت و اندازه¬ی تومور بدست آورند و با استفاده از تجربه و دانش خود برنامه¬ی درمانی بیمار را مشخص کنند. انجام قطعه¬بندی به صورت دستی برای حجم عظیمی از تصاویر mri کاری زمان¬بر و خسته¬کننده بوده و ممکن است باعت اشتباه در تشخیص مرزهای تومور توسط پزشک گردد؛ از طرفی این کار، عملی ذهنی است و به تجربه و اطلاعات پزشک بستگی دارد. بنابراین توسعه¬ی یک سیستم تشخیصی اتوماتیک یا نیمه اتوماتیک به کمک کامپیوتر در درمان¬های پزشکی واقعی مورد نیاز است تا بتواند حجم کاری پزشکان را کاهش داده و دقت را با دادن نتایج عینی بهبود بخشند. این مشکل یک مبحث داغ در زمینه¬ی مهندسی پزشکی است و الگوریتم¬های بسیاری در جهت تلاش برای حل آن پیشنهاد شده¬اند، اما متاسفأنه بدلیل دقت و قدرت کم الگوریتم¬های موجود، هنوز این مشکل حل نشده است. در این تحقیق دو روش کاملاً اتوماتیک برای قطعه¬بندی تومور مغزی در تصاویر mri ارائه شده است که نیازی به دخالت انسان در طول فرآیند ندارند. در هر دو روش ابتدا بافت¬های داخلی مغز استخراج می¬شوند و کار قطعه¬بندی بر روی این بافت¬ها انجام می¬گیرد. با این کار حجم محاسبات و زمان کل فرآیند قطعه¬بندی کاهش پیدا می¬کند. روش اول بر اساس طبقه¬بندی کننده¬ی svm یک کلاسه است که برای تصاویر mri سطح خاکستری طراحی شده است. در این روش پس از مرحله¬ی پیش پردازش، با اعمال روش fbb ناحیه¬ی تومور با یک چهار ضلعی محدود شده روی تصویر مشخص می¬گردد. از این ناحیه به عنوان مجموعه¬ی آموزشی برای آموزش طبقه¬بندی کننده¬ی svm یک کلاسه استفاده می¬شود. میانگین مقادیر بدست آمده برای معیارهای accuracy، si، of و ef در این روش به ترتیب13/99%، 978/0، 9864/0 و 009/0 هستند. در روش دوم تصاویر سطح خاکستری mri پس از مرحله¬ی پیش پردازش به تصاویر رنگی تبدیل شده و برای انجام قطعه¬بندی به الگوریتم ترکیبی pso+k-means داده می¬شوند. الگوریتم بهینه سازی تراکم ذرات (pso)، نقطه دانه¬های اولیه¬ی مورد نیاز الگوریتم خوشه¬بندی k-means را فراهم می¬کند. میانگین مقادیر بدست آمده برای معیارهای accuracy، si، of و ef در این روش به ترتیب 05/99%، 983/0، 992/0 و 25/0 هستند. در نهایت با استفاده از نتایج حاصل از روش¬های فوق که تومور قطعه¬بندی شده است، مرز ناحیه¬ی تومور در تصویر mri اصلی مشخص می¬شود. تصاویر مورد استفاده در این تحقیق از مرکز mri زنجان تهیه شده است. تعداد بیمارانی که مورد بررسی قرار گرفتند 30 مورد بوده و مجموع تصاویر mri مغز از نوع وزن¬دار t2 و flair به ترتیب 270 و 90 تصویر هستند.
similar resources
آشکارسازی ناحیه تومور مغزی با استفاده از بخشبندی دومرحلهای تصاویر MRI
آشکارسازی دقیق و بهموقع ناحیه تومور مغزی در انتخاب نوع درمان، میزان موفقیت آن و دنبال کردن روند بیماری در طول درمان تأثیر بسیار بالایی دارد. الگوریتمهای موجود برای تشخیص تومور مغزی از نظر عملکرد خوب روی تصاویر مغزی متنوع با کیفیتهای مختلف، حساسیت پایین نتایج به پارامترهای معرفی شده در الگوریتم و نیز تشخیص مطمئن تومورها در مراحل اولیه شکلگیری با مشکلاتی مواجه هستند. در این تحقیق یک روش بخشب...
full textناحیه بندی وفقی و نیمه نظارتی تومور در تصاویر mri
ناحیه بندی بافت مغز با هدف تفکیک دقیق بافت آسیب دیده یا بیمار مغز، یکی از مراحل اساسی در فرآیند تشخیص و درمان ناهنجاریهای بافت مغز است. اما ناحیه بندی عموما توسط رادیولوژیستها و متخصصین انکولوژی بصورت دستی صورت میگیرد که ضمن خسته کننده و دشواربودن از خطای انسانی نیز مصون نیست. پیچیدگی این فرآیند لزوم طراحی و استفاده از یک متد خودکار یا نیمه خودکار را مشخص میسازد. مطلوب اینست که روشی که برای ای...
15 صفحه اولبصری سازی و قطعه بندی تصاویر پزشکی mri
موضوع تجزیه و تحلیل یا محاسبات بر روی تصاویر دیجیتال که در مورد استخراج اطلاعات مورد نیاز از داده های تصویری است، بسیاری از پژوهشگران را در زمینه های گوناگون، مجذوب خود ساخته است. یکی از اعمال زیر بنایی که برای تجزیه و تحلیل تصاویر پزشکی صورت می گیرد، انجام قطعه بندی بر روی این گونه تصاویر می باشد. در فرآیند قطعه بندی تصاویر پزشکی، اشیا مورد نظر از درون تصاویر موجود استخراج می شوند تا پزشکان بت...
15 صفحه اولقطعه بندی تصاویر با استفاده از روش خوشه بندی طیفی مبتنی بر سوپرپیکسل
علم بینایی ماشین یکی از علومی است که در راستای افزایش کارایی حس بینایی در سیستمهای هوشمند به کار گرفته میشود. اولین گام در بسیاری از کاربردهای بینایی ماشین، قطعهبندی تصویر میباشد. در این پژوهش، روش خوشهبندی طیفی با سوپرپیکسل برای قطعهبندی تصویر ارائه شده است. با اعمال الگوریتم KFCM و با استفاده از توزیع عضویت در ماتریس بخشبندی، یک میزان تشابه فازی هستهای جدید پیشنهاد دادهایم که سبب کا...
full textقطعه بندی تصاویر با استفاده از روش خوشه بندی طیفی مبتنی بر سوپرپیکسل
علم بینایی ماشین یکی از علومی است که در راستای افزایش کارایی حس بینایی در سیستمهای هوشمند به کار گرفته میشود. اولین گام در بسیاری از کاربردهای بینایی ماشین، قطعهبندی تصویر میباشد. در این پژوهش، روش خوشهبندی طیفی با سوپرپیکسل برای قطعهبندی تصویر ارائه شده است. با اعمال الگوریتم KFCM و با استفاده از توزیع عضویت در ماتریس بخشبندی، یک میزان تشابه فازی هستهای جدید پیشنهاد دادهایم که سبب کا...
full textشناسایی تومورهای مغزی در تصاویر تشدید مغناطیسی (mri)
پردازش تصویر و بینایی ماشین از علوم کاربردی بسیار مهم می باشند که در سالهای اخیر پیشرفت های قابل توجهی در زمینه های مختلف علوم داشته اند. امروزه سیستم های خودکار تشخیص، در زمینه علوم پزشکی می توانند کمک های شایانی به این عرصه بزرگ داشته باشد. در کاربردهای پزشکی به علت حساس بودن ضایعه ی تومور مغزی در حیات بیمار، تشخیص 100% نوع تومور تنها توسط mri امکان پذیر نمی باشد. بنابراین جهت بررسی بیشتر، ...
My Resources
document type: thesis
وزارت علوم، تحقیقات و فناوری - دانشگاه زنجان - دانشکده مهندسی
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023