ناحیه بندی تصاویر mri قلبی (به منظور استخراج بطن چپ) بواسطه حضور نویز و تغییر شکل بطن طی یک سیکل قلبی وظیفه ای دشوار می باشد. از دیدگاه کلینیکی ناحیه بندی مرز بطن چپ و استخراج مخزن خون در اندازه گیری پارامترهای قلبی، تشخیص بیماری ها و مطالعه حرکت دیواره بطن طی یک سیکل کاربرد دارد. مرزهای فعال به عنوان ابزاری موثر برای پاسخ به نیاز فوق شناخته شده اند. در این رساله، با استفاده از تبدیل موجک و نگاشت های خودنسبی انقباضی یک نیروی خارجی جدید برای مرزهای فعال پارامتری ارائه شده است. مرز فعال خودنسبی بدلیل ویژگی های قابل توجهی چون بازسازی گسستگی های مرز، مقاوم بودن در برابر نویز، استخراج مرزهای ضعیف، دامنه جذب وسیع و حجم محاسباتی کم، روشی مناسب برای ناحیه بندی تصاویر پزشکی می باشد. همچنین، به منظور اثبات همگرایی مرز فعال خودنسبی، ویژگی های نگاشت های خودنسبی به صورت تحلیلی بررسی شده و رفتارهای آنها اثبات گردیده است. پس از آن، از روش پیشنهادی برای ناحیه بندی تصاویر چهاربعدی تشدید مغناطیسی قلبی استفاده گردیده است. برای این منظور، ابتدا، مرز فعال خودنسبی در قالب مرزهای هندسی پیاده سازی شده است. سپس، با توسعه روش «مرز فعال هندسی بدون لبه» عملکرد آن در استخراج فرورفتگی های مرز خصوصا در نواحی با روشنایی غیریکنواخت بهبود یافته است. در نهایت، با ترکیب دو روش اخیر، الگوریتمی کارآمد برای ناحیه بندی تصاویر قلبی ارائه گردیده است. نتایج تجربی بیانگر کارایی و عملکرد قابل قبول روش پیشنهادی با توجه به نتایج ناحیه بندی دستی توسط دو متخصص قلب، در مقایسه با چند الگوریتم رقیب دیگر می باشد.

آب سیاه نوعی بیماری است که تعداد زیادی از انسان ها را در سرتاسر دنیا تحت تأثیر قرار داده است. این بیماری منجر به ایجاد تغییراتی بر روی شبکیه چشم فرد بیمار می شود، که ممکن است به کوری فرد بیمار منجر شود. تشخیص زودهنگام بیماری آب سیاه می تواند عوارض بعدی آن را به طور قابل ملاحظه ای کاهش دهد. افرادی که در معرض این بیماری هستند، نیاز دارند تا در زمان بندی های منظم، غربالگری شوند. بنابراین نیاز به یک سیستم تشخیص خودکار بیماری آب سیاه می باشد. از جمله اهداف این گزارش می توان به موارد زیر اشاره نمود: تقطیع خودکار نواحی موجود در شبکیه، بدست آوردن موقعیت و مرز دقیق ناحیه دیسک نوری و کاپ برای محاسبه نسبت cdr، تقطیع لایه rnfl شبکیه در تصویر oct، بدست آوردن قطر لایه rnfl و ناحیه rim از آن و استخراج ویژگی به منظور غربالگری بیماری آب سیاه، که بر اساس دو تصویر oct و شبکیه انجام می گیرد. برای استخراج اطلاعات از تصویر oct، از روش کانتورهای فعال استفاده می شود که توسط آن مرز لایه های شبکیه در تصویر oct بدست می آید. پس ازآن، با استخراج مرز لایه ها، ضخامت هرلایه و نیز تغییرات قطر ناحیه ی rim، تعیین می شود. پردازش تصاویر شبکیه شامل تقطیع کاپ و دیسک نوری و سپس محاسبه نسبت کاپ به دیسک (cdr) است. این سیستم با ترکیب ویژگی های دو تصویر oct و شبکیه قادر است با دقت بالاتری بیماری آب سیاه را شناسایی کند. الگوریتم بدست آمده برای سیستم غربالگری بر روی 46 تصویر oct و شبکیه تست شد که نهایتا دقت الگوریتم قطعه بندی تصویر oct نیز برابر با (4.18±10) پیکسل معادل (1.69±4.32) میکرومتر بدست آمد.

تصویربرداری تشدید مغناطیسی یک روش تصویربرداری غیرتهاجمی بوده و کاردبرد فراوانی در تشخیص بیماری های قلبی دارد. با این حال، بخش بندی دستی این تصاویر (به دلیل حجم زیاد اطلاعات) بسیار زمان بر بوده و وابسته به دیدگاه های متفاوت متخصصین است. در این تحقیق، از مدل ها فرم پذیر هندسی برای بخش بندی چهاربعدی مرزهای اندوکارد و اپیکارد بطن چپ، بصورت خودکار، استفاده شده است. ما برای این منظور، با ترکیب اطلاعات ناحیه، لبه و شکل، مدل فرم پذیر جدید uac را برای استخراج مرز اندوکارد ارائه نموده ایم. بعلاوه، مرزهای فعال cuac1 و cuac2 برای بخش بندی مرز اپیکارد پیشنهاد گردیده اند. در این روش ها، علاوه بر اطلاعات ناحیه و شکل از تزویج با uac نیز بهره گرفته شده است. سپس، با تعمیم مدل ها ی فرم پذیر uac و cuac2 از حالت دوبعدی به سه بعدی، ناحیه بندی حجمی میوکارد بطن چپ با دقت قابل قبول انجام گرفته است. در ادامه، با توسعه بخش بندی از یک فریم به فریم زمانی بعدی بخش بندی میوکارد به صورت چهاربعدی (مکان+زمان) صورت پذیرفته است. بعلاوه، الگوریتمی مبتنی بر تبدیل هاف مدور برای مقداردهی اولیه مرز فعال در فریم مربوط به فاز دیاستول ارائه گردیده است. همچنین، مقادیر پارامترهای مدل های فرم پذیر در تمام مراحل به صورت خودکار و براساس اندازه تقریبی حفره بطن چپ در تصویر تنظیم گردیده اند. نتایج تجربی بیانگر شباهت قابل قبول پاسخ های روش پیشنهادی در مقایسه با بخش بندی دستی می باشد. بعلاوه، روش پیشنهادی در مقایسه با stacs و روش li عملکرد به مراتب بهتری داشته است.

استفاده از صداهای قلبی یکی از آسانترین و موثرترین راههای بررسی وضعیت دریچه های قلبی و ساختار دیواره های قلب می باشد. اما شنیدن صدای قلب و تشخیص از روی آن برای پزشکان و بخصوص افراد کم تجربه بسیار دشوار بوده و عموما نمی¬توانند بخوبی نوع عارضه را مشخص کنند. به این منظور در این تحقیق با استفاده از تکنیک های پردازش سیگنال یک الگوریتم کامل برای بررسی صداهای قلبی ارائه شده است. روش ارائه شده را می توان در سه بخش کلی تشخیص و تفکیک دوره¬های قلبی، استخراج ویژگی و در نهایت طبقه¬بندی و غربالگری تقسیم بندی کرد. در بخش تفکیک دوره¬های قلبی از تعریفی جدید بر پایه مدل¬های فرم¬پذیر که تا کنون تنها در پردازش تصویر استفاده می¬شده است بهره برده شده که نتایج نیز نشان دهنده¬ی کارآمدی این روش می¬باشد. همچنین در بخش استخراج ویژگی نیز سعی شده تا ویژگی-های معنا دار با دیدگاه فیزیولوژیکی استخراج شوند که در این بخش نیز با ایده¬گیری از روش مدل توزیع نقطه¬ای به استخراج ویژگی¬های شکلی-زمانی پرداخته شده است و همچنین از برخی ویژگی¬های فرکانسی نیز بهره برده شده است. در نهایت نیز از روش k-همسایه نزدیک به منظور طبقه¬بندی استفاده شده است که نتایج بذست آمده نشان دهنده¬ی صحت و دقت بالای روش ارائه شده می¬باشد.

امروزه کمک به تشخیص زود هنگام بیماری آلزایمر چالش بزرگی برای تصویربرداری عصبی به شمار می‎رود. روش‎های تصویربرداری ساختاری از جمله تصویربرداری تشدید مغناطیسی با تشخیص افت حجمی نواحی مختلف مغز در بیماری اختلال خفیف شناختی احتمال پیشرفت این بیماری و در واقع تبدیل آن به بیماری آلزایمر را پیش‎بینی می‎کنند. بنابراین توسعه روش‎های دقیق اندازه‏گیری افت حجمی با استفاده از تصاویر ساختاری، جهت تشخیص به موقع بیماری آلزایمر از اهمیت بالایی برخوردار است. بدین منظور در این تحقیق روشی برای تفکیک افراد مبتلا به بیماری آلزایمر و اختلال خفیف شناختی از یکدیگر و از افراد سالم بر مبنای استخراج ویژگی از تصاویر ساختاری مغزی ارائه شده است. روش ارائه شده را می‎توان در سه بخش کلی یکسان‎سازی مکانی تصاویر تشدید مغناطیسی با فضای اطلس icbm152 در دو مرحله تطبیق سخت و غیرسخت، استخراج ویژگی‏های آماری از میدان برداری جابجایی مربوط به تطبیق غیرسخت و در نهایت طبقه‎بندی و غربالگری تقسیم‎بندی کرد. برای تطبیق سخت تصاویر بر اطلس از بیشینه سازی معیار ضریب همبستگی به روش گرادیان نزولی بهره برده شده است. در ادامه تطبیق غیرسخت تصاویر به اطلس icbm152 با استفاده از جعبه‎ابزار spm (بر مبنای ترکیب خطی توابع پایه کسینوسی) صورت گرفته است. در بخش بعدی ویژگی‎های آماری میانگین و انحراف معیار از بردارهای میدان جابجایی حاصل از تطبیق غیرسخت در گره‎هایی از شبکه‎ اطلس و به تفکیک 116 ناحیه آناتومیکی استخراج شده‎اند. و در نهایت از روش حداکثر برآورد پسین به منظور طبقه‎بندی استفاده شده است. دقت 100% طبقه‎بندی برای جامعه آماری شامل 6 فرد سالم، 12 فرد مبتلا به آلزایمر و 12 فرد مبتلا به اختلال خفیف شناختی بیانگر کارایی و عملکرد مطلوب روش ارائه شده می‎باشد.

تطبیق تصاویر دارای کاربردهای متعددی در زمینه پزشکی همچون پرتو درمانی، تشخیص سرطان، ایجاد اطلس تصاویر، تصاویر تشدید مغناطیسی کاربردی و عمل جراحی با استفاده از تصویر است. تاکنون روش های متعددی برای تطبیق تصاویر ارائه شده است که ازنظر پیچیدگی، دقت تطبیق، سرعت و ... با یکدیگر تفاوت دارند. اخیراً از مدل های فرم پذیر با قابلیت تطبیق محلی برای این منظور استفاده شده است. در این پایان نامه از مدل های فرم پذیر غیرپارامتری برای تطبیق تصاویر هم نوع استفاده شده است. برای این منظور ابتدا یک تابعی انرژی تعریف می شود که در صورت تطبیق تصاویر مقدار کمینه خود را اختیار می کند؛ سپس تابعی انرژی با استفاده از قضیه اویلر-لاگرانژ کمینه شده و مدل فرم پذیر جدیدی برای تطبیق تصاویر حاصل می شود. تابعی انرژی دارای دو جمله انرژی خارجی و انرژی داخلی است. وظیفه انرژی خارجی تطبیق تصاویر با یکدیگر بوده و انرژی داخلی به منظور منظم نمودن میدان برداری در نظر گرفته شده است. ما در اینجا با تعریف تابعی های انرژی مختلف، مدل های فرم پذیر جدیدی را برای تطبیق تصاویر دوبعدی و سه بعدی ارائه نموده ایم. برای منظم نمودن میدان برداری نیز برای اولین بار در اینجا از کمینه کردن مشتق دوم میدان برداری استفاده شده است. روش های ارائه شده بر روی چهار پایگاه داده مختلف برای تطبیق تصاویر ct و mr همنوع دو بعدی و سه بعدی استفاده شده و نتایج تجربی نشان دهنده دقت بالای روش های پیشنهادی در مقایسه با سایر روش ها است. در نهایت از تطبیق با استفاده از مدل های فرم پذیر ارائه شده، برای ناحیه بندی ناحیه اندوکارد بطن چپ تصاویر mr قلبی استفاده شده است که نتایج قابل قبولی حاصل شده است.

ارزیابی سن استخوانی فرآیندی متداول به منظور بررسی روند رشد در کودکان است. ارزیابی فوق گامی مهم جهت تشخیص و انجام تحقیقات درمانی در مشکلاتی مانند، اختلالات غدد درون ریز، اختلالات رشد در کودکان و بیماری های ژنتیکی است. معمولاً ارزیابی بالینی بلوغ استخوانی توسط رادیولوژیست و بر اساس تطبیق دیداری تصویر رادیولوژی دست چپ فرد با اطلس های استاندارد صورت می گیرد. از آنجا که نتایج ارزیابی دستی بسیار وابسته به ادراکات و حالات فرد رادیولوژیست است، لذا اهمیت استفاده از سیستمی خودکار جهت ارزیابی سن استخوانی بیش تر نمایان می شود. سیستم های مختلفی جهت ارزیابی سن استخوانی ارائه شده است که کم و بیش دارای کمبود و مشکلاتی هستند. در این پایان نامه، هدف ارائه سیستم ارزیابی سن استخوانی بر اساس تصویر رادیولوژی دست چپ مبتنی بر مدل بهبود یافته شده شکل فعال است. در این سیستم الگوریتمی جدید به منظور مقدار دهی اولیه مدل شکل فعال در تصویر که مبتنی بر اطلاعات هندسی و ساختاری دست عمل می کند ارائه شده است. در گام بعدی تقطیع استخوان های دست به روش asm که درآن از تطبیق سراسری-محلی به منظور استخراج پارامتر های حالت مدل استفاده شده است صورت می گیرد. در آخرین گام نیز به منظور تخمین سن استخوانی از روشی جدید مبتنی بر pca استفاده شده است. سیستم پیشنهادی به منظور تخمین سن استخوانی بر روی 250 تصویر رادیولوژی دست چپ مربوط به چهار نژاد مختلف مورد آزمون قرار گرفت که نهایتاً دقت الگوریتم مقدار دهی اولیه مدل85% و دقت تخمین سن توسط سیستم پیشنهادی 79.3% بدست آمد. هم چنین میانگین خطا در تخمین سن 0.47 با انحراف معیار 0.35 سال است که در مقایسه با سیستم های همتا عملکرد بهتری از خود نشان می دهد.