در پروژه حاضر، یک سیستم تشخیص خودکار دو مرحله ای به منظور شناسایی خوشه های میکروکلسیفیکاسیون در تصاویر دیجیتال ماموگرافی معرفی شده است. برای پیاده سازی الگوریتم پایگاه داده nijmegen انتخاب شده است. در مرحله اول الگوریتم، با استفاده از 4 ویژگی، پیکسل های مشکوک به میکروکلسیفیکاسیون ، استخراج می گردند. در این مرحله از یک شبکه عصبی به منظور دسته بندی پیکسل ها استفاده گردیده است. با استفاده از همسایگی چهارنقطه ای این پیکسل ها به دانه های میکروکلسیفیکاسیون تبدیل می شوند. در مرحله دوم، از دانه های بدست آمده از مرحله قبل 25 ویژگی استخراج می شود که 8 ویژگی آنها مربوط به فریم های موجک گسسته و چرخشی می باشند و با استفاده از یک دسته بند غیرخطی عمل دسته بندی اجسام صورت می پذیرد. در این مرحله، چهار دسته بند شبکه عصبی، ماشین بردار پشتیبان (svm) با هسته چند جمله ای و گوسی و ماشین بردار مرتبط به عنوان دسته بندهای منفرد، بر روی داده ها آزمایش گردیده اند. منحنی های froc بدست آمده از دسته بند های منفرد نشان می دهد که نتایج دسته بند ماشین بردار مرتبط بهتر از بقیه دسته بندها می باشد. جهت بهبود نتایج بدست آمده از روش های ترکیب دسته بندها استفاده نمودیم. به این منظور الگوریتم adaboost بهینه با جزءدسته بندهای ماشین بردار پشتیبان با کرنل چند جمله ای که ما آنرا به اختصار diverseadaboostsvm می نامیم مورد استفاده قرار گرفت. در انتها به منظور خوشه بندی دانه های میکروکلسیفیکاسیون ویژگی مساحت دانه های میکروکلسیفیکاسیون در هر خوشه را به معیارهای پیشین افزودیم. با استفاده از دسته بند diverseadaboostsvm، توانستیم به میزان صحت 14/97% با نرخ متوسط تشخیص مثبت اشتباه 64/0 در هر تصویر برسیم که نسبت به دسته بند های منفرد و نتایجی که پیش از این در کارهای قبلی ارائه شده است، نتیجه ای به مراتب بهتر است.

تشخیص غدد ریوی و بدست آوردن تخمینی از میزان بدخیمی غدد در مراحل اولیه بیماری در نجات فرد از مرگ بسیار موثر می باشد. در نتیجه بدست آوردن یک سیستم تشخیص به کمک کامپیوتر که توانایی تشخیص غدد با اندازه های بسیار کوچک در حجم بالایی از تصاویر سه بعدی ct را داشته باشد بسیار قابل توجه می باشد. الگوریتم ارائه شده به تحلیل سه بعدی و خودکار تصاویر ct قفسه سینه پرداخته که شامل سه مرحله می باشد: در مرحله اول برروی تصاویر، پیش پردازش های لازم اعمال می گردد که از استانداردسازی شدت روشنایی و اندازه وکسل ها و جداسازی ریه از پس زمینه تشکیل شده است. در مرحله دوم برای بدست آوردن کاندیدهای غدد از دو روش فیلتر کردن تصاویر با هسته های گوسی و شاخص شکل استفاده می شود که برای بازسازی این کاندیدهای غدد از روش رشد ناحیه ای استفاده شده و ویژگی های این کاندیدها از آنها استخراج می گردد. در مرحله سوم طبقه بندی کننده های شبکه عصبی، ماشین بردارپشتیبان و تحلیل جداسازی (خطی و درجه دوم) برای جداسازی غدد از غیرغدد اعمال می گردند و همچنین برای طبقه بندی غدد به سه گروه غدد بدخیم، غدد نیمه بدخیم و غدد خوش خیم از طبقه بندی کننده های k – نزدیکترین همسایه فازی و ماشین های بردارپشتیبان فازی بهره گرفته شده است. در این پروژه، پایگاه داده از تصاویر ct قفسه سینه 107 بیمار تشکیل شده است که از کنسرسیوم پایگاه داده تصاویر ریه (lidc) گرفته شده است. میانگین تعداد برش ها برای هر سوژه 254 برش می باشد. بهترین نتایج بدست آمده برای جداسازی غدد از غیرغدد، با استفاده از طبقه بندی کننده تحلیل جداساز درجه2 بدست آمد که دارای حساسیت %2/92 با میانگین تعداد fp، 8/8 برای هر سوژه می باشد و برای طبقه بندی غدد به 3 گروه غدد بدخیم، نیمه بدخیم و خوش خیم نیز طبقه بندی کننده k - نزدیکترین همسایه فازی با درصد تشخیص صحیح %3/90 بهترین نتیجه را حاصل نمود. با توجه به استفاده از تصاویر متنوعِ پایگاه داده ی معتبر lidc و تعداد سوژه های کافی برای سنجش الگوریتم های ارائه شده، و همچنین به دلیل وجود غدد با سایز و اشکال گوناگون، نتایج حاصل شده از این سیستم قابل قبول می باشند. همچنین لازم به توجه است که برای هر کدام از دو کاربرد تشخیص و طبقه بندی غدد، تنها از 3 ویژگی بهره برده ایم که این موضوع در کاهش بار محاسباتی در پیاده سازی عملی می تواند موثر باشد.

تصویربرداری mri یک روش غیرتهاجمی، مناسب و با دقت بالاست که جهت تهیه ی یک نقشه ی سه بعدی آناتومیکی از بافت ها استفاده می شود. بهره گیری مناسب کلینیکی از این تصاویر و استخراج اطلاعات حداکثری از آنها ضرورت پردازش خودکار رایانه ای را گریزناپذیر کرده است؛ زیرا حجم زیاد داده و زمان بر بودن تحلیل آن توسط متخصص، امکان پردازش دستی را عملی ناشدنی جلوه می دهد. ناحیه بندی تصاویر mri سر، از جمله ی این پردازش های خودکار است که می توان رویکردهای مختلفی را در نحوه ی استفاده از آن مد نظر قرار داد. ناحیه بندی بافت های سر برای کاربرد مسئله ی معکوس مکان یابی منبع سیگنال های الکتریکی و مغناطیسی مغزی و بررسی نحوه ی انتشار این امواج، اهمیت بسزایی دارد. عمده ی این اهمیت معطوف این به نکته است که، دقت در تشخیص موقعیت هندسی بافت ها اثر مستقیم بر صحت فرآیند معکوس مکان یابی خواهد داشت. در این بین ناحیه بندی تصاویر mri سر نوزاد موضوعی چالش برانگیز است و تحت تاثیر رشد سریع نوزاد، در کنار نسبت پایین سیگنال به نویز و کنتراست به نویز، و عدم انطباق شدت روشنایی بر موقعیت مکانی؛ پیچیدگی مسئله بیشتر می شود. هدف این پایان نامه ارائه ی روش ناحیه بندی خودکار مبتنی بر مدل است که به کمک آن بتوان پوست، جمجمه و نواحی داخلی مغز را در تصویر نوزاد بازشناسی کرد. در این فرآیند پس از پیش پردازش و بهبود آرتیفکت؛ به کمک دسته بندی کننده های غیرخطی و بر مبنای مشخصات شدت روشنایی، و ویژگی های مبتنی بر دانش و اطلاعات از پیش که از آن به عنوان مدل یاد می شود، به بازشناسی نواحی تصویر می پردازیم. به سبب عدم یکنواختی نواحی مختلف تصویر و ویژگی های فیزیکی غیریکسان مربوط به هر بافت، روش ارائه شده در این پروژه راهکاری وفقی است. ابتدا در گام پیش پردازش عدم انطباق شدت روشنایی و موقعیت مکانی که آرتیفکت جابجایی شیمیایی نام دارد؛ طی یک روند معکوس بهبود می یابد. در گام بعد آمارگان محلی بافت ها در نواحی مختلف تصویر استخراج می گردد. این ویژگی های وفقی در کنار مدل آماری به دست آمده برای جمجمه، به دسته بندی کننده ارائه می شود و بافت جمجمه از تصویر استخراج می گردد. بازشناسی جمجمه به عنوان بافت حایل بین پوست و نواحی مغز سبب تعیین موقعیت دقیق هر سه ناحیه می گردد. جهت ارزیابی الگوریتم پیشنهادی ابتدا به صورت کمی و کیفی و با کمک رادیولوژیست متخصص به ناحیه بندی دستی تصاویر می پردازیم که نتایج تایید شده ی آن به عنوان استاندارد طلایی در نظر گرفته می شود. سپس نتایج حاصل از ناحیه بندی خودکار بر مبنای معیار شباهت (si)، با استاندارد طلایی مورد مقایسه قرار می گیرد. نتایج کمّی نشان می دهد که دقت ناحیه بندی پوست و جمجمه در تصاویر به کار رفته در تهیه ی مدل به ترتیب 92/0 و 73/0 و برای تصاویر تست 88/0 و 62/0 می باشد. این نتایج در مقایسه با مقادیر به دست آمده در پژوهش های پیشین که در این زمینه صورت پذیرفته، دارای برتری است.

بیماریهای بافت بینابینی ریه یا ildاصطلاحی کلی است که بر مجموعه ای از اختلالات مزمن و شدید ریوی اطلاق می گردد. این دسته از بیماریها، دارای الگوهای رادیوگرافیک پیچیده و گاه نامشخصی هستند و تشخیص آن به تبحر و تجربه مشاهده کننده و شرایط محیطی بستگی دارد. هدف از انجام این پروژه، ایجاد یک سیستم کامپیوتری جهت ارزیابی کمی بافت ریه و تعیین میزان گستردگی الگوهای مرتبط با ild در آن است. برای دستیابی به این هدف، تصاویر hrct ریه با استفاده از تکنیکهای پردازش تصویر و تحلیل بافت مورد پردازش و ارزیابی قرار می گیرند و سه الگوی لانه زنبوری، شیشه مات و رتیکولار از بافت نرمال تمیز داده می شوند. الگوریتم ارائه شده جهت دسته بندی الگوهای بافت ریه شامل 3 مرحله می باشد: در مرحله اول ریه از پس زمینه جدا می شود. در مرحله دوم با ترکیبی از تبدیلات بر پایه ی موجک و پیچک به همراه پنج ویژگی آماری با مفهوم جدید بدست آمده از ماتریس طول حرکت، استخراج ویژگی از نواحی مطلوب (roi) تعریف شده درون بافت ریه صورت می گیرد و در نهایت الگوریتم ماشین بردار پشتیبان فازی برای دسته بندی الگوها اعمال می گردد. به منظور ارزیابی عملکرد سیستم، نتایج حاصل از روش پیشنهادی را با یکی از جدیدترین روشهای ارائه شده جهت مشخصه یابی بافت ریه مقایسه کرده و نشان دادیم روش پیشنهادی ما در مشخصه یابی بافت ریه در شرایط یکسان به میزان 3% دقیقتر عمل می کند. همچنین در آنالیز کلی تصاویر hrct، عملکرد سیستم کامپیوتری با عملکرد دو رادیوژیست مورد ارزیابی قرار می گیرد. ضریب توافق کاپا بین سیستم و هریک از رادیولوژیستها به ترتیب برابر 6901/0 و 6840/0 بدست آمده که در مقایسه با ضریب توافق 6834/0 بین دو رادیولوژیست رقم قابل توجهی می باشد. در پایان تحقیق با انجام آنالیز آماری جهت ارزیابی داده های کمی حاصل از سیستم کامپیوتری و نتایج تست تنفسی، نشان می دهیم میان نتایج کمی حاصل از سیستم کامپیوتری و نتایج تست تنفسی بیمار همبستگی وجود دارد. سیستم کامپیوتری ارائه شده می تواند منجر به بهبود تصمیم گیری و کارایی پزشک به واسطه ی تسهیل در کشف و ارزیابی الگوهای تصویری پیچیده، کاهش تفاوت میان مشاهده گرها و حذف اعمال تکراری و بعضاً خسته کننده گردد.

پایان نامه حاضر روشی را برای آشکارسازی تومورها در تصاویر ماموگرافی با استفاده از رویکرد میدان تصادفی مارکوف معرفی می نماید. در فصل اول مطالبی در مورد تصاویر ماموگرافی و چگونگی تصویربرداری از سینه بیان می شود. برای پردازش بر روی تصاویر ماموگرافی نیاز است که تصاویر دیجیتالی باشند. در پایان این فصل چگونگی دستیابی به این تصاویر تشریح شده است. در فصل دوم به معرفی mrf معرفی می شوند. در فصل سوم یک الگوریتم ناحیه بندی با استفاده از mrf چند دقتی بررسی می شود. سپس با استفاده از برخی ویژگی ها و درخت تصمیم گیری باینری فازی (fbdt)نواحی استخراج شده به مشکوک و نرمال طبقه بندی می شوند. همچنین در پایان این فصل، نتایج ناحیه بندی بر روی یک تصویر مصنوعی آورده می شود. در فصل چهارم در مورد پایگاه داده و چگونگی انتخاب پارامترهای برنامه آشکارسازی بحث می شود. در پایان فصل نیز برنامه ای که با استفاده از الگوریتم های ناحیه بندی و طبقه بندی نوشته شده است، روی تصاویر ماموگرافی اعمال می شود و نتایج آن مورد بررسی قرار می گیرد.

سرطان پستان دومین عامل مرگ بانوان در جهان است. تعیین مرز دقیق ضایعه برای تشخیص سرطان مهم است. از آنجایی که بسیاری از ویژگی های مهم برای تمایز ضایعه خوش خیم و بدخیم بر اساس کانتور، شکل و بافت ضایعه است، ناحیه بندی دقیق برای یک تشخیص موفق ضروری است. التراسوند یک ابزار غربال گری اولیه موثر و ایمن برای تشخیص ضایعه خوش خیم و بدخیم است. اگرچه به علت نویز ذاتی و کنتراست پایین تصاویر التراسوند پستان، ناحیه بندی اتوماتیک ضایعه هنوز چالش برانگیز است. در این تحقیق به دنبال روشی دقیق، موثر و کارآمد با کمترین دخالت کاربر برای ناحیه بندی تصاویر التراسوند پستان بودیم. به این منظور، ابتدا به علت ماهیت نویزی و کنتراست پایین، این تصاویر را با روش میانگین غیرمحلی نویززدایی کرده و با روشی مبتنی بر منطق فازی کنتراست را بهبود دادیم. در بخش ناحیه بندی از مدل مبتنی بر کانتور فعال استفاده کردیم. به این منظور در تعریف تابع انرژی از اطلاعات محلی وزن دار ویژگی های تصویر در مقیاس کنترل پذیر استفاده کردیم. یکی از این ویژگی ها شدت روشنایی است. برای تعیین ویژگی دوم از قوانین نئوتروسوفی استفاده شد. نئوتروسوفی شاخه جدیدی از فلسفه است که با ورودش به بحث ناحیه بندی تصاویر با لبه های مبهم، توانایی مقابله با عدم قطعیت را دارد. در این روش برای هر پیکسل یک پارامتر عدم قطعیت تعریف می شود. وقتی این پارامتر بیشتر از سطح آستانه بود، مقدار آن پیکسل به صورت میانگین وزن دار همسایگی در نظر گرفته شد و در غیر این صورت مقدار پیکسل بدون تغییر باقی ماند. به این ترتیب از توقف کانتور در مینیمم های محلی که بافت مشابهی با ضایعه دارند، جلوگیری کردیم. همچنین به منظور جلوگیری از کمینه شدن طول کانتور روی مرز ضایعه و پیدا کردن لبه های تیز، ضریبی برای عبارت طول کانتور در تابع انرژی قرار داده شد؛ به طوریکه در لبه های ضایعه اجازه کمینه شدن به کانتور داده نشود. با اعمال روش پیشنهادی بر روی 36 تصاویر التراسوند پستان به 6%=tp=95%، fp و si=90% رسیدیم که در مقایسه با روش های rsf و wrsf بهبود چشمگیری داشته است.

بیماری‏های بافت بینابینی ریه، اصطلاحی کلی است که بر مجموعهای از اختلالات مزمن و شدید ریوی اطلاق می گردد. این گروه ناهمگون از اختلالات را به دلیل علائم بالینی، رادیولوژیک، فیزیولوژیک و پاتولوژیک مشابه، در کنار هم طبقهبندی میکنند. این اختلالات اغلب با میزان مرگومیر قابل ملاحظه ای همراه است و درباره روش درمانی بیشتر آن‏ها، توافق چندانی وجود ندارد. دربیماران مبتلا به بیماری‏های بافتبینابینی ریه، ریه های بیماران در چند مرحله دچار مشکل می شود: اول آنکه، بافت ریه به دلیل مشخص یاغیرمشخصی آسیب میبیند. دوم، دیواره کیسه های هوایی موجود در ریه ملتهب میگردد. سوم، بافت بینابینی شروع به فیبره شدن می‏کند و ریه سفت می شود، که این امر موجب بی نظمی چشمگیر کارکرد تهویه ای و تبادل گاز می گردد. پیشرفت‏های اخیر در تصویربرداری پزشکی و به خصوص روش های تشخیصی چون مقطع نگاری رایانه ای چندبرشی موجب سهولت در تشخیص بیماری‏های ریه شده و علاوه بر آن، نیاز به بکارگیری روش ها ی تشخیصی تهاجمی را کاهش داده است. سامانه تشخیص به کمک کامپیوتر پیشنهاد شده در این پایان‏نامه، جهت طبقه¬بندی و بازشناسی سه بعدی الگوهای موجود در بیماری بافت بینابینی ریه، از سه مرحله ناحیه¬بندی، استخراج ویژگی و طبقه‏بندی تشکیل شده است. در این مطالعه سه الگوی اصلی مرتبط با بیماری های بافتبینابینی ریه (شیشه‏مات، رتیکولار و لانه‏زنبوری) از یک پایگاه داده شامل 13 مقطع نگاری رایانه ای چندبرشی ، مربوط به 11 بیمار مبتلا به بیماری، انتخاب و مورد بازشناسی قرار داده شده است. در مرحله اول ناحیه‏بندی، بافت حجمی میدان‏ریه از پایگاه داده سه بعدی جدا می‏شود و به دنبال آن درخت‏رگی ریه نیز از بافت حجمی میدان‏ریه پردازش شده، جدا می‏شود. سپس در مرحله دوم، از ویژگی‏های آماری مرتبه اول و دوم ماتریس هم وقوعی برای تولید بردار ویژگی، از نواحی حجمی مطلوب تعریف شده درون بافت ریه استفاده می¬گردد. بعد از آن از میان بردارهای ویژگی، با استفاده از روش انتخاب ویژگی گام‏به‏گام، ویژگی‏هایی که قدرت تمایز بیشتری دارند، انتخاب شده و در مرحله آخر نیز الگوریتم دسته‏بند ماشین¬های بردار پشتیبان برای بازشناسی الگوهای بیماری، مورد استفاده قرار گرفته است. الگوریتم پیشنهادی در مرحله ناحیه‏بندی حجم ریه به درصد هم‏پوشانی 39/94% و در مرحله بازشناسی الگوها به دقت 98/69% رسیده است. نتایج آزمایشات در این پژوهش قابل رقابت با نتایج گزارش شده توسط معدود پژوهش های ارائه شده به منظور ناحیه بندی و بازشناسی الگوهای بیماری بافت بینابینی از روی داده های تصویری سه بعدی ریه می باشد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

نتایج این پژوهش نشان می دهند که توانایی پیشگویی مدل برای میزان حساسیت ، ویژگی و دقت به ترتیب برابر 53 ./. ، 67 ./. ،60 ./. و توانایی پیشگویی پزشک رادیولوژیست برای این موارد به ترتیب برابر 100 ./. ،58 ./. ،74 ./. می باشد . کار محاسبه پیشگویی لوجستیک رگرسیون بر روی داده ها به وسیله دو مدل کامل ( 12 پارامتر ) و کاهش یافته ( 6 پارامتر ) انجام شد که نتایج آن ها یکسان بود . این پژوهش باردیگر با همین داده ها و با همین روش ، ولی به کمک شبکه عصبی مصنوعی تکرار گردید و توانایی پیشگویی آن برای موارد حساسیت ، ویژگی و دقت به ترتیب برابر 93 ./. ،87 ./. ، و 90 ./. برای مدل کامل و 87 ./. 93 ./. و 90 ./. برای مدل کاهش یافته محاسبه گردید .