بهبود و موازی سازی کلاسه بندی و قطعه بندی تومورهای مغزی در تصاویر تشدید مغناطیسی با استفاده از ویژگی های بافتی و ویژگی های طیفی

در دنیای امروز، تصاویر پزشکی به عنوان ابزاری قدرتمند در تشخیص بیماری ها استفاده می-شوند، که یکی از متداول ترین آنها برای تشخیص تومورهای مغزی توسط رادیولوژیست، تصاویر تشدید مغناطیسی می باشند. قطعه بندی خودکار تومور به پزشک کمک می کند که محل دقیق تومور، رشد و یا عدم رشد تومور را در بیمار تشخیص دهد. در این پایان نامه، ما از تصاویر تشدید مغناطیسی مغزی برای جداسازی تومور مغزی از بافت سالم استفاده می-کنیم. همچنین ما برای شناسایی نوع تومور کار دسته بندی انواع تومورهای مغزی و شناسایی مغز سالم و غیر سالم را انجام می دهیم. قطعه بندی را بر اساس روش های قطعه-بندی ناحیه محور، لبه محور و خوشه بندی پیاده سازی کرده ایم. همچنین روش جدیدی برای قطعه بندی تصاویر تشدید مغناطیسی مغزی و جداسازی تومور ارائه دادیم، که در آن کار آستانه گذاری روی تصویر با استفاده از ویژگی های بافتی انجام می گیرد، که دقت روش پیشنهادی از الگوریتم های قطعه بندی قبلی بهتر است. در دسته بندی تصاویر mr مغزی از الگوریتم های شناسایی آماری الگو و شبکه عصبی برای دسته بندی و تشخیص سه نوع تومور و همچنین تشخیص تصاویر مغزی سالم و غیر سالم تومور دار استفاده کردیم. برای آزمایش از تعداد 127 تصویر که شامل تصاویر نرمال و دارای سه نوع تومور مختلف استفاده کرده ایم. یکی از مزایای این روش نسبت به روش های ناحیه محور، عدم نیاز به انتخاب هسته توسط کاربر است و کار قطعه بندی بدون تعامل با کاربر و به طور کاملا خودکار انجام می شود. همچنین به دلیل نامنظم بودن شکل تومور در تصاویر مغزی، استفاده تنها از روش های قطعه بندی بر پایه لبه یا ناحیه کافی نیست. قطعه بندی به وسیله روش خوشه بندی نیز به دلیل انتخاب پارامتر پهنای باند، امری دشوار است. با توجه به نتایج بدست آمده، روش قطعه بندی به وسیله آستانه گذاری روی ویژگی های بافتی تصویر نتایج بهتری می دهد، علاوه بر این که این روش کاملا خودکار است و از جهت سرعت انجام کار، زمان کمی برای اجرا نیاز دارد.