رشد نامحدود و غیر قابل کنترل سلولی در مغز ایجاد تومور می کند. تومور مغزی اگر تحت درمان مناسب و به موقع قرار نگیرد، می تواند باعث آسیب دائمی مغز و حتی مرگ بیمار شود. از آنجاییکه در کلیه روش ها ی درمان، اطلاع از مکان و اندازه تومور در موفقیت درمان موثر است، رسیدن به روشی دقیق و تمام خودکار که این اطلاعات را به پزشک دهد، ضروری می باشد. در این تحقیق، روشی کاملا خودکار و دقیق برای تشخیص و تقطیع ناحیه توموری در تصاویر تشدید مغناطیسی (mr ) مغز بیان شده است. بدین منظور الگوریتم اتصال فازی(fc ) بهینه شده مبتنی بر مقیاس که در آن نقطه آغازین بصورت خودکار انتخاب می شود، ارائه گردیده است. این الگوریتم مستقل از نوع تومور به لحاظ شدت روشنایی بوده و در تصاویر شامل تومور با قدرت تفکیکی پایین نیز، عملکرد مطلوبی دارد. نتایج ارزیابی تقطیع تومور مبتنی بر محاسبه میانگین سنجه ها ی مشابهت (شاخص مشابهت (si )، کسر هم پوشانی (of ) و کسر زیادی (ef ) به ترتیب برابر 89/92%، 75/91% و 95/3%) بیانگر عملکرد بهتر این رویکرد نسبت به روش ها ی متداول تقطیع تومور است. این رویکرد با قابلیت ایجاد تخمینی خودکار از اندازه و مکان قرارگیری توده توموری در بافت مغزی، امکان بررسی دقیق تر و سریع روند جراحی، شیمی درمانی و پرتودرمانی را فراهم می کند.

دیابت، فشارخون بالا، سنگهای کلیوی، سرطان و اختلالات ارثی می توانند باعث بروز بیماریهای مزمن کلیه نظیر: بیماریهای گلومرولی، سنگها، تومورها و ضایعه التهابی دستگاه ادراری شوند. بررسی تصویر نمونه های رسوب ادرار به صورت شمارش صحیح سلولهای موجود شامل: گلبول قرمز خون (rbc )، گلبول سفید خون (wbc )، سلول اپی تلیال ، کست و کریستال بهمراه یافته های بالینی، به تشخیص این نوع بیماریها کمک می کند. در این تحقیق رویکردی مبتنی بر تبدیل موجک، تحلیل مولفه های اصلی((pca و دسته بندی کننده بیز برای تشخیص نوع سلول ارائه گردیده است. همچنین از شبکه عصبی احتمالاتی (pnn ) برای تشخیص نوع بیماری کلیوی استفاده شده است. نتایج ارزیابی رویکرد معرفی شده مبنی بر محاسبه میانگین سنجه های حساسیت ((se ، اختصاصی بودن ((sp و صحت به ترتیب برابر با : 99% ، 97% و 98.33% ، بیانگر عملکرد بهتر این رویکرد نسبت به روشهای دیگر است. همچنین، مقدار se برابر با 97.77% در مرحله تشخیص نوع بیماری، حاکی از موفقیت بالای الگوریتم پیشنهادی می باشد . این رویکردها فرآیندهای تشخیص و شمارش سلولها را با دقت بالا انجام داده و می توانند در تعیین نوع بیماری مفید واقع شوند.

یکی از علائم بروز سرطان پستان، رسوبات ریزکلسیم موسوم به میکروکلسیفیکاسیون می باشد. این رسوبات ریز در تصاویر ماموگرافی، بصورت نقاط ریز و روشن و معمولاً بصورت منفرد یا خوشه ای ظاهر می شوند. یک خوشه می تواند متناظر با یک عارضه ی بد خیم و یا خوش خیم باشد. از آنجائیکه تصاویر ماموگرافی دارای وضوح پایینی هستند، ممکن است میکروکلسیفیکاسیونهای موجود در این تصاویر بخوبی قابل مشاهده نباشند، بنابراین استفاده از سیستم تشخیص کامپیوتری مبتنی بر تکنیک های پردازش تصویر می تواند تفسیر مطمئن تری از تصاویر ماموگرافی به منظور تشخیص میکروکلسیفیکاسیون ها فراهم کند. در این تحقیق، رویکردی مبتنی بر تبدیل موجک و آستانه گذاری پویا به منظور استخراج میکروکلسیفیکاسیونها و تشخیص نوع آنها ارائه گردیده است. بدین منظور، در گام اول برای ارتقاء تصاویر ماموگرافی یک تابع غیرخطی برای بهینه سازی ضرایب تبدیل موجک اعمالی به تصویر میکروکلسیفیکاسیون استفاده شده و سپس آستانه گذاری پویا برای استخراج میکروکلسیفیکاسیونها بکار رفته که بدین وسیله بخش بندی انجام شده است. ارزیابی نتایج بخش بندی با استفاده از شاخص مشابهت، کسر همپوشانی و کسر زیادی به ترتیب 97/0 ، 94/0 و صفر بدست آمده است. در نهایت، ناحیه مورد نظر با عملیات پنجره گذاری و بدون کمک گرفتن از رادیولوژیست بدست آمده و ویژگیهایی نظیر: تعداد، مساحت، محیط، مدور بودن، میانگین و واریانس مساحت و محیط برای هر ناحیه استخراج و با بکارگیری شبکه عصبی چند لایه ی پرسپترون، نوع میکروکلسیفیکاسیونها دسته بندی شده است. نتایج رویکرد پیشنهادی با استفاده از کمیتهای حساسیت، اختصاصی بودن و صحت به ترتیب برابر با 100%، 97% و 99% بدست آمده که بیانگر عملکرد بهتر این رویکرد نسبت به روشهای متداول است.

بیماری های قلبی عروقی یکی از شایع ترین عوامل مرگ و میر در دنیا است که تشخیص به موقع شدت بیماری و درمان مناسب در کاهش این میزان مرگ و میر بسیار موثر است. تحلیل دقیق تصاویر آنژیوگرافی عروق کرونری توسط پزشکان برای تشخیص بیماری های عروق کرونری و انتخاب روش درمان مناسب بسیار مهم می باشد. در همین راستا در این تحقیق هدف کمّی سازی میزان گرفتگی عروق است. بدین منظور در گام نخست، به کمک استخراج ویژگی هایی توسط محاسبه ی ماتریس هسین ، بانک فیلتر موجک گابور و گرادیان و با استفاده از الگوریتم خوشه بندی فازی کلونی مورچه و بدون نیاز به نقاط آغازین ، جداسازی رگ از پس زمینه در تصاویر آنژیوگرافی عروق کرونری انجام می شود. به علت نویز بالای تصاویر آنژیوگرافی عروق کرونری، یک فیلتر با ضرائب نفوذ ناهمگن پیش از بکارگیری الگوریتم خوشه بندی، بمنظور بهبود ساختار رگ، به تصویر اعمال می شود. در گام بعدی، قطر رگ و درصد گرفتگی آن، توسط تکنیک تطبیق رشته محاسبه می گردد. در این روش، قطر رگ با محاسبه طول خطی که بین هر پیکسل روی لبه و پیکسل متناظر بر روی لبه مقابل با کمترین مقدار تابع هزینه رسم می شود، به دست می آید. با توجه به در دسترس بودن قطر رگ در امتداد طول آن، میزان درصد گرفتگی قابل محاسبه خواهد بود. این الگوریتم بر روی 32 تصویر شبیه سازی شده از عروق کرونری پیاده سازی گردید. نتایج ارزیابی الگوریتم خوشه بندی مبتنی بر محاسبه میانگین سنجه های حساسیت (se) و اختصاصی بودن (sp) بر روی تصاویر شیبه سازی شده به ترتیب برابر: 96% و 6/98%، بیانگر عملکرد مطلوب الگوریتم پیشنهادی می باشد. همچنین، درصد گرفتگی عروق کرونری در 16 تصویر آنژیوگرافی مستخرج از 16 بیمار، محاسبه گردید که در مقایسه با تخمین دستی توسط فرد خبره، دارای مقدار مجذور میانگین مربعات خطای 15/17% می باشد. از آنجائیکه میزان گرفتگی عروق توسط فرد خبره براساس مشاهدات تصاویر گرفتگی از زوایای مختلف تخمین زده می شود، رویکرد معرفی شده در این خصوص می تواند به عنوان سرآغازی جهت محاسبه دقیق میزان گرفتگی، محسوب شود.

شکاف کام همراه با شکاف لب مجموعا ناهنجاری های اصلی صورت را تشکیل می دهد. شکاف کام به علّت نچسبیدن طاقچه های کامی به یکدیگر ایجاد می شود. در این بیماران برای پرکردن این شکاف از پودر استخوان مصنوعی و یا از استخوان ران بیمار استفاده می کنند. به همین دلیل اندازه گیری دقیق مساحت شکاف کام قبل از انجام عمل جراحی به منطور تعیین حجم شکاف در این بیماران ضروری به نظر می رسد. استفاده از تصاویر cbct تاثیر بسزائی در تشخیص صحیح و پیگیری روند بهبود بیمار دارد. همچنین استفاده از روش های مبتنی بر پردازش کامپیوتری می تواند کمک بسزایی در تسریع و افزایش دقّت درمان بیمار داشته باشد. هدف اصلی در این پروژه ناحیه بندی شکاف کام در تصاویر cbct می باشد. از آن جائی که تصاویر ثبت شده توسط سیستم های تصویربرداری cbct یکنواخت نبوده و دارای نویز می-باشند، ناحیه بندی تصویر مشکل خواهد بود. برای رفع این مشکل و همچنین برای حذف ناحیه هائی که به اشتباه ناحیه بندی شده اند در این پروژه از فیلتر ریخت شناسی استفاده کرده-ایم. در این پروژه برای ناحیه بندی تصاویر از الگوریتم ناحیه بندی mpfcm استفاده کرده ایم. پس از ناحیه بندی تصاویر، با استفاده از الگوریتم نشاندن منحنی، ناحیه مربوط به شکاف کام را از سایر قسمت های تصویر جدا کرده ایم. حال می توان با استفاده از مساحت های بدست آمده در اسلایدهای مختلف یک تصویر ثبت شده حجم شکاف کام را بدست آورد.

چکیده مالتیپل اسکلروزیس ( ms)، یکی از بیماری های شایع سیستم اعصاب مرکزی انسان است که باعث تغییرات شکلی و ساختاری در مغز می شود. بررسی کمی این تغییرات، اطلاعات مهمی را برای طرح درمان ارایه می دهد. در سالهای اخیر بیشتر مطالعات انجام شده جهت تعیین نوع ضایعات ms با استفاده از ویژگی شدت روشنایی بوده است. در این پایان نامه، رویکرد جدیدی بر مبنای تحلیل فرکتال در تصاویر تشدید مغناطیسی ( mri) مغز با بررسی flair به منظور دسته بندی انواع ضایعات ms به دو نوع: مزمن و حاد ارائه شده است. در این رویکرد، ابتدا با استفاده از الگوریتم بیشینه یابی امید (em ) مبتنی بر آنتروپی و تئوری مارکوف ، ضایعات ms بصورت کاملا خودکار تقطیع می-شوند. پس از تقطیع ضایعات ms، ویژگی بعد فرکتال ضایعات در تصاویر flair و شدت روشنایی پیکسل های ضایعات در تصاویر mr محاسبه شده و به عنوان داده های ورودی جهت دسته بندی به شبکه ی عصبی اعمال می شوند. برای ارزیابی رویکرد پیشنهادی، نتایج به دست آمده با نتایج تقطیع دستی انواع ضایعات از طریق محاسبه ی حساسیت ( se)، دقت ( acc) و اختصاصی بودن (sp ) مقایسه شدند. در خصوص ضایعات حاد به طور متوسط، حساسیت 8/73%، دقت 7/94% و اختصاصی بودن 9/94% و در خصوص ضایعات مزمن به طور متوسط حساسیت 8/76%، دقت 4/96% و اختصاصی بودن 1/97% حاصل شد. نتایج مطالعات نشان می دهد که ویژگی فرکتال در تعیین نوع ضایعات تاثیر بسزایی دارد. کلمات کلیدی- مالتیپل اسکلروزیس، تصویربرداری تشدید مغناطیسی، بعد فرکتال، دسته بندی، نوع ضایعه.

تشخیص هویت از دیرباز مورد توجه و نیاز انسانها بوده است که با افزایش جمعیت و گسترش جوامع متعدد این نیاز بطور چشمگیری نمود پیدا کرده است. یکی از مشخصه های مورد استفاده در تشخیص هویت افراد، اثر کف پای آنان می باشد که در سالهای اخیر مورد توجه قرار گرفته و در مراحل اولیه تحقیق و پژوهش است. در این رساله سیستمی برای شناسایی افراد از طریق مشخصات هندسی کف پای آنان طراحی شده است. بدین منظور ابتدا پایگاه داده ای از تصاویر کف پای راست 40 نفر ( شامل 200 تصویر ) توسط یک اسکنر تخت معمولی در یک محیط کاملا تاریک، تهیه گردید. سپس این تصاویر، پردازش شده و ویژگیهای هندسی آنها استخراج و بردارهای ویژگی تشکیل شدند. به دلیل بزرگ بودن بعد بردارها، ویژگیهایی که تمایز بیشتری ایجاد می کردند بوسیله ی الگوریتمی انتخاب شدند. در مرحله ی شناسایی، بردار ویژگی هر نمونه با بردارهای ویژگی تصاویر پایگاه داده مقایسه گردید. سه روش برای مقایسه و شناسایی الگوها بکار برده شد که شامل روشهای مبتنی بر فاصله ، k تا نزدیکترین همسایه و شبکه های عصبی بود و نتایج حاصل از این روشها بررسی گردید. بالاترین درصد شناسایی (98.5%) مربوط به بکارگیری روش فاصله مبتنی بر شباهت ویژگیهای متناظر در بردارهای ویژگی بود. این پژوهش روشن می سازد که با بهره گیری از ویژگیهای موجود در هندسه ی کف پا، می توان از آن به عنوان ابزاری برای تشخیص هویت با دقت بالا استفاده نمود.

مالتیپل اسکلروزیس (ms) یکی از بیماری های التهابی میلین زدا در سیستم اعصاب مرکزی انسان است که شایع ترین علت ناتوانایی غیر جراحتی در جوانان می باشد. با توجه به اهمیت بیماری ms، بررسی کمی تغییرات شکلی و ساختاری به وجود آمده در بافت مغز به همراه ارزیابی علایم بالینی، درک دقیق تری از روند پیشرفت و درمان بیماری ایجاد می کند. تصویربرداری تشدید مغناطیسی (mri) به عنوان یک ابزار پاراکلینیکی در تشخیص بیماری ms و ارزیابی روند درمان بیماری شناخته شده است. تصویربرداری تشدید مغناطیسی تانسور انتشاری (dt-mri) نیز یک روش تصویربرداری حساس در شرایط زنده برای بررسی تغییرات آسیب شناسی از بافت مغز در طول پروسه بیماری ms می باشد. رویکرد های متفاوتی برای کمی سازی ضایعات ms به خصوص انواع آنها با درجات مختلف دخالت کاربر در بررسی های مختلف تصاویر پزشکی پیشنهاد شده اند. در این پایان نامه، روشی خودکار جهت تقطیع انواع ضایعات ms به دو نوع: تخریب شده (مزمن) و در حال تخریب (حاد)، ارائه شده است. بدین منظور الگوریتم k نزدیک ترین همسایه (knn) با استفاده از شدت روشنایی تصاویر mri و dt-mr جهت طبقه بندی ضایعات انتخاب شده است. نتایج ارزیابی تقطیع ضایعات مزمن و حاد با استفاده از تصاویر dt-mr، مبتنی بر محاسبه میانگین معیار های حساسیت (se)، اختصاصی بودن (sp) و دقت (acc) برای ضایعات مزمن به ترتیب برابر 3/74%، 8/94% و 4/94% و برای ضایعات حاد برابر 3/72%، 5/93 و 5/93% بیانگر این است که تصاویر dt-mri در کنار تصاویر mr، تقطیع انواع ضایعات ms را با حساسیت بالایی امکان پذیر می سازد و قابلیت بررسی دقیق تر جهت تشخیص و درمان بیماری را میسر می کند.

بیماری ms یکی از مهمترین انواع بیماری های خودایمنی بدن و شایع ترین عامل ناتوانی حرکتی غیر جراحتی در جوانان بین 20 تا 40 سال است. این بیماری به مرور زمان باعث تغییرات شکلی و ساختاری در مغز می شود. به منظور پیگیری روند پیشرفت بیماری و ارائه طرح درمان بیمار، امروزه روال تشخیص انواع مختلف ضایعات ms و تخمین حجم کلی آن ها در تصاویر mr ، امری متداول شده است، لذا نیاز به جایگزین شدن شیوه ای اتوماتیک برای استخراج حجم کلی ضایعات و تعیین نوع آن ها در تصاویر mr، به جای شیوه قدیمی (که به طور دستی توسط پزشک روی فیلم های رادیولوژی انجام می گیرد و همراه با خطای بسیار است) کاملا احساس می شود. تاکنون رویکردهای مختلفی برای تمایز نواحی ضایعه از بافت سالم ارائه شده است ولی روش های محدودی به تعیین نوع ضایعه پرداخته اند که همه آن ها مبتنی بر روش های تصویربرداری mr معمولی هستند. در این تحقیق روش جدیدی برای تشخیص خودکار انواع ضایعات ms (حاد ، مزمن و t2) با استفاده از شبکه عصبی ارائه شده است. برای طبقه بندی علاوه بر ویژگی های شدت روشنایی در تصاویر mr معمولی از 2 ویژگی جدید که از تصاویر پرفیوژن بیمار استخراج می شوند، استفاده شده است. نتایج ارزیابی ناحیه بندی ضایعات حاد و مزمن به کمک تصاویر پرفیوژن مبتنی بر محاسبه میانگین معیارهای حساسیت( se)، اختصاصی بودن ( sp) و دقت ( acc) برای ضایعات حاد به ترتیب برابر 89% و 96% و 96% و برای ضایعات مزمن به ترتیب 76% و 90% و 90% بودند که بیانگر عملکرد مطلوب طبقه بندی در رویکرد پیشنهادی می باشند. مطالعات اخیر نشان داده است که تصاویر پرفیوژن توانایی پیشگویی مکان ضایعه های بعدی را در بیماران ms دارا می باشد. پیشگویی زودهنگام مکان ضایعه می تواند تحول عظیمی در روند درمان این بیماری ایجاد کند. تکنیک تصویربرداری پرفیوژن در این رساله از نوع dsc-mri بود که برای اولین بار در کشور در راستای این تحقیق پیاده سازی شد، با توجه به کسب تجربه اولیه در پیاده سازی تکنیک و روشن شدن نکات مبهم آن، هم اکنون امکان تحقق مطالعه پیگیری دو یا چند بیمار در طول یک سال به منظور بررسی امکان پیش بینی مکان ضایعه میسر شده است.

بیماری ms از بیماری های شایع سیستم عصبی می باشد. عمده روش تشخیصی این بیماری استفاده از تصاویر mri است. بررسی کمّی و نمایش تغییرات ضایعات مغزی در تصاویر mr به همراه ارزیابی علایم بالینی، درک دقیق تری از روند پیشرفت بیماری ایجاد می کند و می تواند اطلاعات مهمی برای طرح موثر درمان بیماران ارایه دهد تاکنون رویکردهای متفاوتی جهت پیگیری ضایعات ms ارائه شده است. این روشها ابتدا به صورت دستی و سپس به صورت نیمه خودکار ارائه شده اند و تلاش های بسیاری در جهت تمام خودکار نمودن این الگوریتم ها صورت می پذیرد. در این تحقیق روش جدیدی جهت پیگیری تغییرات ضایعات ms در سطح برش و مبتنی بر روش مقایسه ای hd ارائه گردیده است. در این روش ابتدا توالی های مختلف از تصاویر flair? توسط روش صلب تثبیت می شوند. در مرحله ی بعد با ارائه ی الگوریتم em مبتنی بر آنتروپی و تئوری مارکوف ? تقطیع کاملا خودکار ضایعات ms انجام می شود. رویکرد ارائه شده جهت تقطیع ضایعات ms، دارای میانگین شاخص مشابهت ( si) برابر با 7472/0، میانگین کسر همپوشانی (of ) برابر با 7341/0 و میانگین کسر زیادی ( ef) برابر با 2298/0 می باشد که نشانگر همبستگی خوب نتایج حاصل از تقطیع این رویکرد با تقطیع دستی است. پس از تقطیع کاملا خودکار ضایعات ms حجم کلی ضایعات در دوره های مختلف محاسبه و به عنوان پیگیری کمی ضایعات در نظر گرفته می شود. همچنین جهت پیگیری بصری پیشرفت بیماری? مقایسه ی محلی ضایعات تقطیع شده در هر برش? از طریق hd انجام و نتایج حاصل از آن به عنوان یک تصویر ارائه گردیده است. این تصویر مقایسه ای بیانگر بصری نواحی بهبود یافته ( ضایعات کوچکتر شده) و نواحی بدتر شده (ضایعات بزرگتر شده) ، تواماً در یک تصویر می باشد.

چکیده انسان از دیر باز برای شناسایی و تشخیص هویت افراد از ویژگی های بیومتریک (زیست سنجی) آنان مانند صورت، صدا یا دست خط استفاده می کرده است . با وجود اینکه انسان ها قادرند حتی در شرایط نامطلوب مانند نور ضعیف و چرخش صورت، چهره فرد مورد نظر را شناسایی کنند، اما سیستم های خودکار شناسایی چهره در این شرایط با مشکل روبرو می شوند. این امر سبب شده است که مسئله شناسایی چهره همچنان چالش انگیز باقی بماند. پیشرفت های علمی در زمینه ابزارهای محاسبات دیجیتال در دهه اخیر فصل جدیدی را در تشخیص و شناسایی چهره گشوده است. در این پایان نامه به ارائه روشی پرداخته خواهد شد که با وجود چرخش صورت و تغییر در شدت روشنایی تصاویر مورد نظر، کارِ شناسایی چهره را با دقت خوبی انجام دهد. در روش پیشنهادی در گام اول توسط روش تبدیل هاف تصادفی چهره فرد مورد نظر از تصویر ورودی جدا می شود. در گام بعد برای تصویر مربوط به هر چهره، یک بردار ویژگی با استفاده از روش فیلتر گابور و روش مقادیر ویژه چهره تولید می شود. سپس به کمک روش تحلیل مولفه های اصلی ابعاد بردارهای ویژگی کاهش می-یابد و در گام آخر با استفاده از یک شبکه عصبی پرسپترون چندلایه شناسایی چهره در فضای ویژگی تولید شده انجام می گیرد. نتایج حاصل از پیاده سازی روش فوق توسط داده های پایگاه fei مورد ارزیابی قرار گرفت، آنچه در این پایان نامه بیان می شود به معرفی یک روش شناسایی چهره با دقتی در حدود 91% می پردازد. امید است در ادامه این کار بتوان گام های دیگری را در راستای مقاوم سازی سیستم های شناسایی چهره نسبت به تغییرات مختلف محیطی برداشت.

مالتیپل اسکلروز (ms )، بیماری مزمن و ناتوان کننده سیستم عصبی مرکزی (cns )است و شایع ترین علت ناتوانی غیرجراحتی در جوانان می باشد. با توجه به گسترش و اهمیت این بیماری، بررسی کمی تغییرات در بافت مغز به همراه ارزیابی علایم بالینی، درک دقیق تری از روند پیشرفت و درمان بیماری ایجاد می کند. تصویربرداری تشدید مغناطیسی تانسور انتشاری (dt-mri )یک روش تصویربرداری حساس برای بررسی تغییرات آسیب شناسی بافت مغز در طول روند بیماری ms می باشد. این تکنیک تصویربرداری با استفاده از کمی سازی انتشار آب، اطلاعات مهمی درباره ریزساختار مغز فراهم می کند. از آنجاییکه اندازه گیری مکرر سطح ناتوانی (edss ) به منظور بررسی پیشرفت بیماری بعنوان یک استاندارد طلایی، مهم می باشد. کمی سازی میزان همبستگی بین سبک های مختلف تصویربرداری mr (به ویژه dt- mr) و edss در تدوین پروتکل درمانی بسیار اهمیت یافته است. در این تحقیق رویکردی به منظور کمی سازی میزان همبستگی شاخص های انتشار (fa ,md ,ra ,vr) حاصل از dt-mri در ضایعات ms و edss با بهره گیری از تصاویر c-mri ارائه می شود. ابتدا به بررسی همبستگی ضایعات ms تصاویر flair و ضایعات black hole تصاویر t1-w پرداختیم و دریافتیم همبستگی شاخص های انتشار black hole ها در تصاویر t1-w نسبت به ضایعات ms در تصاویر flair با میزان ناتوانی بالینی بیمار بیشتر می باشد. در قسمت بعد، شاخص های انتشار مربوط به ضایعات ms مشترک موجود در چند ناحیه مغز را به روش roi با اندازه یکسان در کلیه بیماران اندازه گیری کردیم. این کار جزء جدیدترین تحقیقات انجام شده در این حوزه محسوب می شود. به عنوان نتیجه دریافتیم همبستگی شاخص های انتشار با edss در ناحیه جلویی مغز بیشتر از سایر نواحی بوده است. میزان همبستگی نسبت حجم در کلیه نواحی زیادتر از مقدار ناهمگونی کسری است و نیز با افزایش edss مقدار شاخص های مربوط به ناهمگونی یعنی ناهمگونی کسری و ناهمگونی نسبی کاهش پیدا می کند ولی برعکس مقادیر انتشار میانگین و نسبت حجم با افزایش edss زیاد شدند.با مشاهده کلیه شاخص های محاسبه شده، مشخص گردید که با افزایش edss مقدار شاخص های مربوط به ناهمگونی یعنی fa و ra ضایعات کاهش پیدا کردند و علامت ضریب همبستگی آنها منفی می باشد (کاهش fa ضایعات با افزایش edss برابر 11% و کاهش ra برابر با 2% می باشد) ولی برعکس مقادیر md و vr با افزایش edss زیاد شدند و علامت ضریب همبستگی آنها مثبت می باشد (افزایش md برابر با 12% و vr برابر با 7% می باشد). از بین این چهار شاخص انتشار، vr و ra شاخص هایی نسبتا جدید هستند که اخیرا در مقالات مختلف بر روی نمونه های حیوانی مورد استفاده قرار گرفته اند [43،23]. ارزیابی این شاخص ها بر روی تصاویر مغز نمونه های انسانی مبتلا به ms در این پایان نامه نشان داد که در نواحی ضایعه با افزایش علائم بالینی، مطابق نتایج [43] که بر روی مغز سگ های مبتلا به ms انجام شده بود، vr افزایش می یابد و بطور کلی همیشه مقدار vr از fa بیشتر می باشد (میزان این اختلاف برابر 16% به دست آمد) و نیز طبق نتیجه مقاله [23] بر روی مغز موش های مبتلا به ms، ra کم می شود. همچنین افزایش md و کاهش fa با افزایش علایم بالینی، مطابق با هر دو مقاله در اینجا نیز مشاهده گردید. از آنجا که dt-mri برخلاف سایر روش های مرسوم mri بعنوان روشی است که ساختار میکرویی مغز را نیز بررسی می کند شاخص های fa و md با حجم میلین و تعداد آکسون همبستگی دارند لذا نتایج این پایان نامه را در مورد همبستگی نسبتا بالای fa و md با میزان ناتوانی بیمار تایید می کنند.

تشخیص هویت افراد از طریق مشخصات منحصر به فرد آنان از جمله تحقیقاتی است که در سال های اخیر بسیار مورد توجه قرار گرفته است و از آن در بسیاری از موارد قانونی و امنیتی استفاده می شود. با توجه به این که روش های تشخیص هویت مبتنی بر تصویر چهره دارای فرآیند های پیچیده ای می باشند، ارائه ی الگوریتمی که در راستای تسهیل فرآیند شناسایی با دقت زیاد مفید باشد، ضروری است. در این پایان نامه رویکردی ارائه می شود که با استفاده از تقارن اشیاء در صورت و تغییر در شدت روشنایی تصاویر مورد نظر، شناسایی چهره را با دقت خوبی انجام می دهد. روش پیشنهادی شامل دو مرحله ی اساسی است. در مرحله ی اول، آشکار سازی چهره مبتنی بر رنگ پوست انجام می شود. سپس، در مرحله ی دوم، ویژگی هایی نظیر: فاصله ی اقلیدسی مرکز ثقل چشم ها، فاصله اقلیدسی بین چشم ها و ... با استفاده از برازش یک بیضی با روش معیار حداقل مربعات خطا بر تصویر صورت، از تصویر چهره استخراج می شود. با تشکیل بردار ویژگی ها به عنوان بردار ورودی و اعمال آن به یک شبکه عصبی پرسپترون چندلایه، هویت شناسایی می گردد. نتایج حاصل از ارزیابی رویکرد پیشنهادی مبتنی بر محاسبه ی درصد شناسایی صحیح (70%)، بیانگر کارآمدی آن می باشد. با بیشتر شدن تعداد مولفه های بردار ویژگی و تعداد ویژگی های تصویر دقت شناسایی چهره افزایش خواهد یافت.

بیماریms یکی از مهمترین انواع بیماری های خود ایمنی بدن و شایع ترین عامل ناتوانی حرکتی غیر جراحتی در جوانان و به خصوص بین زنان20 تا 40 سال است. بررسی کمّی تغییرات حجم انواع ضایعات در تصاویر تشدید مغناطیسی (mr) به گونه ای که بتواند برآوردی از میزان درگیری واحد های حجمی و تخریب میلین ارایه نماید، به همراه ارزیابی علایم بالینی (edss) درک دقیق تری از روند پیشرفت بیماری ایجاد می کند و اطلاعات مهمی را برای پیگیری روند درمان در بیماران ارائه می دهد. بنابراین به منظور کمّی سازی میزان همبستگی حجم انواع ضایعات با edss، به یک روش دقیق و تمام خودکار جهت تقطیع انواع ضایعات نیاز است. رویکرد معرفی شده در این تحقیق مشتمل بر سه مرحله می باشد. در مرحله اول، بردار ویژگی های بافت محور شامل ویژگی هایی نظیر: شدت روشنایی هر پیکسل، میانگین شدت روشنایی، واریانس، گرادیان، میزان بی نظمی (آنتروپی) برای هر پیکسل در یک همسایگی و همچنین، میانگین و واریانس ضایعات و بافت طبیعی در تصاویر flair برای دادگان تعلیم تشکیل شده و پیکسل های دادگان آزمایش با استفاده از طبقه بندی کننده svm ، به دو دسته ضایعات و بافت سالم دسته بندی می شوند. در مرحله ی دوم، با نگاشت ضایعات استخراج شده از تصاویر flair به دیگر سبک های تصویربرداری تشدید مغناطیسی (mri)، نواحی متناظر ضایعات در تصاویر t2 وزن دار (t2w)، تصاویر t1 وزن دار (t1w) وt1w ارتقا یافته با گادولینم (gad-e-t1w)، استخراج می شوند. سپس با استفاده از شبکه عصبی چند لایه پرسپترون (mlp)، ضایعات در سه دسته t2، t1w (black hole)، t1 ارتقا یافته، دسته بندی می شوند. در نهایت، همبستگی حجم ضایعات هر دسته با edss، محاسبه می گردد. نتایج ارزیابی مرحله اول مبتنی بر محاسبه شاخص شباهت (si) 76% بوده که نشانگر دقت بالای الگوریتم تقطیع می باشد. در مرحله دوم معیارهای حساسیت (se)، اختصاصی بودن (sp) و دقت (ac) برای دادگان آزمایش، به ترتیب برابر 87% و 94% و 94% ، نشان گر عملکرد مطلوب این بخش از الگوریتم پیشنهادی است. نتایج کمّی سازی میزان همبستگی، ارتباط معنی دار در افزایش حجم ضایعات t2w و علائم بالینی را نشان می دهد (p=0.03 و r=0.71 ). همچنین همبستگی مهم تری بین حجم ضایعات نواحی سیاه رنگ در تصاویر t1w و علائم بالینی وجود دارد (p=0.004 و r=0.82 ). بررسی ها انجام شده نشان داد که بین حجم ضایعات در تصاویر gad-e-t1w و علائم بالینی همبستگی ضعیفی وجود دارد(p=0.01 و r=0.62). انتظار می رود نتایج این تحقیق، نیاز به تقطیع دستی ضایعات توسط پزشک را کاهش و در تشخیص روند تشدید بیماری و درمان موثر آن کمک قابل توجهی نماید.

مالتیپل اسکلروزیس (ms) یکی از بیماریهای شایع سیستم اعصاب مرکزی انسان است که باعث تغییرات شکلی و ساختاری در مغز می شود. بررسی کمی این تغییرات به همراه ارزیابی علایم بالینی، اطلاعات مهمی را برای طرح درمان و پی گیری بیماری ارایه می دهند. رویکردهای متفاوتی برای کمی سازی ضایعات ms با درجات مختلف دخالت کاربر در بررسی های مختلف تصاویر تشدید مغناطیسی (mr3) پیشنهاد شده اند. در این پایان نامه، رویکرد کاملا جدیدی بر مبنای تحلیل فرکتال جهت تقطیع ضایعات ms در تصاویر mr مغز ، با بررسی بازیافت معکوس مایع تضعیف شده (flair4) ارایه شده است. نتایج ارزیابی تقطیع فرکتالی مبتنی بر محاسبه ی میانگین سنجه های مشابهت (شاخص مشابهت (si6)، کسر هم پوشانی (of7) و کسر زیادی (ef8) به ترتیب برابر با : 79/0 ، 81/0 و 25/0 بیانگر عملکرد بهتر این رویکرد نسبت به روش های متداول است. همچنین، بر اساس میانگین بعد فرکتال تخمینی، ضایعات ms (32/2) و بافت طبیعی (68/2) به ترتیب طرحواره ی یکنواخت و غیر یکنواختی دارند. در نهایت، دو رویکرد کاملا نو جهت تعیین نوع ضایعات ms در تصاویر flair، مبتنی بر میزان در گیری واحدهای حجمی (وکسل ها) و تخریب میلین ها ارایه شده است. در این رویکردها، ابتدا وکسل ها به دو نوع : تخریب شده (مزمن) و در حال تخریب (حاد) دسته بندی می شوند. سپس، ضایعات حاد با استفاده از اطلاعات تصاویر tl- وزن دار (tl-w) و tl-w ارتقا یافته با گادولنیم (gad-e-tl-w) به دو نوع : حاد اخیر و حاد نو دسته بندی می شوند. این رویکردها بکارگیری مواد پارامگنت برای ارتقا تصاویر را کاهش داده و شیوه هایی ارزان با زمان بری کم را برای طرح درمان مناسب بیماری و پی گیری آن از طریق حجم سنجی واقعی ضایعات درگیر در تصویرگری های پی گیری ارایه می دهند.

تقطیع تصویر تشدید مغناطیسی (mr ) مغز نوزاد به منظور اطمینان از سلامت و بررسی صحّت رشد نوزاد و پیشگیری از بیماری ها، امری ضروری و حیاتی است. از آنجایی که این تصویر به دلیل ویژگی های ذاتی خود از کیفیت بالایی برخوردار نیست و تقطیع دستی امری وقت گیر و پرزحمت می باشد، ارائه رویکردی در تقطیع که به صورت خودکار و با کارایی مطلوب عمل کند، از اهمیّت ویژه ای برخوردار است. بدین منظور در این تحقیق روشی جهت تقطیع مغز نوزاد مبتنی بر الگوریتم آب پخشان به همراه em ارائه شده است. در این رویکرد ابتدا، تصاویر mr مغز نوزاد با بررسی های t1-w وt2-w توسط الگوریتم آب پخشان نشان دار که در آن نشان گر ها با بهره گیری از یک اطلس احتمالاتی جامع انتخاب می شود، به شش دسته تقطیع می شوند. سپس، با استخراج نواحی مشترک کلاس های بافتی در تصاویر t1-w و t2-w ، تقطیع نهایی با دقت بالا توسط الگوریتم em و mrf انجام می شود. نتایج بدست آمده از ارزیابی عملکرد رویکرد پیشنهادی با استفاده از معیارdice برابر 0.7برای چهار مجموعه تصویر بیماران، بیانگر عملکرد مطلوب این الگوریتم می باشد. انتظار می رود این روش به دلیل مزیت استفاده از اطلس احتمالاتی جامع، مفید واقع شود.

امروزه سرطان پستان دومین عامل مرگ و میر زنان در سطح جهان به شمار میرود. ماموگرافی از روشهای مهم در تشخیص سریع تودههای پستان میباشد. در سالهای اخیر استفاده از روشهای تشخیص کامپیوتری خودکار مبتنی بر تکنیکهای پردازش تصویر، تفسیر مطمئنتری در آشکارسازی تودههای پستان داشته است. در این تحقیق، رویکردی مبتنی بر خوشه یابی طیفی و ماشین بردار پشتیبان به منظور تشخیص تودههای پستان، در تصاویر ماموگرافی دیجیتال ارائه گردیده است. بدین منظور در گام اول، با استفاده از ویژگیهایی نظیر ویژگی های بافتی ، نواحی پستان با استفاده از خوشهیابی طیفی به بخش های مجزا از لحاظ شکل بافت، تقطیع میشود. سپس در گام بعدی، با در نظر گرفتن ویژگیهای شکلی مستخرج از بخشهای تقطیع شده، توده بودن آن بخش با بکارگیری طبقه بندی کنندهی ماشین بردار پشتیبان مشخص می گردد. نتایج حاصل از ارزیابی رویکرد پیشنهادی از طریق محاسبه شاخص های حساسیت ، اختصاصی بودن و صحت برای تصاویر آزمایش به ترتیب برابر با: %89/5، %91/2 و %90 بیانگر عملکرد مطلوب آن است. امید است با اِعمال این روش، تفسیر جامع تر و دقیق تری در اختیار پزشک قرار گیرد.

در این تحقیق روشی جهت تقطیع بافت کلیه با هدف جداسازی سنگ در تصاویر اولتراسوند مبتنی بر مدل های شکل پذیر هندسی ارائه شده است. این روش شامل دو مرحله است. در مرحله اول از طریق تبدیل ویولت ایستا(استخراج ضرایب ویولت هم اندازه با تصویر) ویژگی آماری مبتنی بر ویولت(انرژی ویولت) به منظور افزایش تمایز بین نواحی تصویر محاسبه می شود. در مرحله دوم، مقادیر انرژی ویولت در فرمولاسیون یک روش مجموعه هم تراز مبتنی بر کانتور فعال برای ارائه یک تقطیع مناسب وارد می شود و عملیات تقطیع روی تصویر پیاده سازی می گردد. استفاده از رویکرد معرفی شده می تواند در کاهش خطای تشخیص سنگ در کلیه در تصاویر اولتراسوند و انتخاب صحیح پروتکل درمانی سودمند باشد.