در این تحقیق با هدف بهره مندی از مدل های هندسی آماری مبتنی بر تناظرات احتمالی سعی شده است، چارچوبی مقاوم برای بخش بندی تصاویر پزشکی فراهم گردد. در آنالیز تصاویر پزشکی مفهوم هندسه به عنوان یک ویژگی مهم برای تشخیص و آنالیز ساختارهای آناتومیکی شناخته شده است. یک مدل هندسی آماری سعی می کند تا به صورت بهینه، یک مجموعه بخش بندی شده از مشاهدات هر ارگان داده شده را به وسیله یک شکل میانگین و یک مدل تغییرپذیر بیان نماید. از جمله مشکلات اساسی در مراحل ساخت مدل های هندسی آماری مبتنی بر نقاط، تعیین تناظرات بین مشاهدات است. با توجه به عدم قطعیت بیان های سطوح هندسی و همچنین دشواری تعیین دقیق تناظرات، فرض غالب وجود تناظرات یک به یک بحث بر انگیز است، در روشی جدیدتر بررسی تناظرات به صورت احتمالی با استفاده از الگوریتم ‎em-icp‎ صورت گرفته است. تعیین تعداد نقاط بهینه برای مدل حاصل از این الگوریتم نکته ای است که در مرحله اول از این تحقیق دنبال شده است. به این منظور در یک چهارچوب بیزین با توزیع پیشرو دیریکله برای ضرایب گوسین و بهره مندی از یک روش برنامه ریزی درجه دوم به حذف نقاط با درجه اهمیت پایین تر پرداخته و تعداد نقاط بهینه مدل یافته شده است. سنجش نتایج مدل سازی با استفاده از خطای فاصله هازدورف در آزمایشات اعتبارسنجی مختلف روی ‎??‎ داده هیپوکامپ و ‎??‎ داده کائودیت انجام گرفته است و در تمام موارد با کاهش خطا نسبت به مدل هندسی آماری پایه بدون تنک سازی همراه بوده است. از جمله بهترین نتایج حاصل، اعتبارسنجی ?‎ دسته ای داده های هیپوکامپ است که برابر ??/?‎ میلی متر است و نسبت به مدل مذکور بهبود ‎??‎ درصدی را به همراه داشته است. مرحله دوم از این تحقیق، با هدف به کارگیری اطلاعات پیشرو هندسی در فرآیند بخش بندی، انجام شده است. نوآوری ما در این مرحله است که با استفاده از مدل هندسی آماری تنک بررسی شده، دو الگوریتم برای بخش بندی تصاویر ارائه نموده ایم. در الگوریتم اول با استفاده ازتجمیع اطلاعات پیشرو هندسی صریح در چارچوب روش های بخش بندی ضمنی سعی در استفاده از مزایای هر دو حوزه اطلاعات ضمنی و صریح داشته ایم و در الگوریتم پیشنهادی دوم، ترکیب نتایج الگوریتم کانتور فعال ریمانی با سطح تراز درون یابی شده از مدل تخمینی، در دو مرحله و به صورت گسسته، دنبال شده است. نتایج حاصل از اعمال هر دو الگوریتم پیشنهادی بر ‎??‎ داده کائودیت در مقایسه با الگوریتم بخش بندی کانتور فعال ریمانی، در تمام معیارهای سنجش مورد بررسی با بهبود قابل توجهی همراه بوده است.از جمله بهبودهای مشاهده شده برای الگوریتم پیشنهادی اول می توان به معیار سنجش متوسط ‎rms‎ خطای فاصله و همپوشانی حجمی دایس اشاره نمود که به ترتیب برابر با ??/? میلی متر و ‎???‎ بوده است و نسبت به روش کانتور فعال ریمانی کاهش خطای فاصله ‎?/? میلی متری و افزایش ‎?‎ درصدی این همپوشانی حجمی را به دنبال داشته است.از جمله بهبودهای حاصل از الگوریتم پیشنهادی دوم نیز می توان به مقادیر ‎rms خطای فاصله و ماکزیمم خطای فاصله، به ترتیب برابر با ??/? میلی متر و ‎?/?? میلی متر، اشاره نمود که کاهش ‎?/? و ‎?/? میلی متری خطاهای مذکور را نسبت به الگوریتم کانتور فعال ریمانی به همراه داشته است.

چکیده روش استاندارد برای ارزیابی رشد ضایعات پوستی به منظور تشخیص، بیوپسی می باشد که به دنبال آن آزمایشات هیستوپاتولوژیک انجام می شود. با توجه به معایب این روش اعم از تهاجمی بودن و زمانبر بودن، تمایل زیادی به استفاده از تکنیک های اپتیکی نشان داده شده است زیرا این تکنیک ها غیرتهاجمی بوده و در بافت بیولوژیکی تغییری ایجاد نمی کنند. یکی از بهترین تکنیک های اپتیکی بدین منظور، درموسکوپی می باشد. پوست انسان دارای خواصی است که باعث تغییر حالت پلاریزاسیونی نور می¬شود بنابراین در درموسکوپی با نور پلاریزه می¬توان با استفاده از فیلترهای پلاریزاسیونی مختلف به حذف برخی از نورهای منعکس یا بازپراکنده¬ شده از پوست، جهت مشاهده ساختارهای عمقی پوست پرداخت. در تصویربرداری پلاریزاسیونی از پوست با زوایای مختلف، ویژگی های متفاوت ضایعه در سطوح مختلف بیان گردید بدین صورت که درماتوسکوپی با نور پلاریزه در زوایای پلاریزاسیونی نزدیک به 90 درجه ساختارهای عمقی پوست و در زوایای پلاریزاسیونی نزدیک به صفر درجه ساختارهای سطحی پوست را نمایان می¬سازد. داشتن همزمان ویژگی های سطحی و عمقی در یک تصویر، به پزشک در تشخیص بهتر ضایعه کمک می کند درحالیکه حتی با استفاده از امکانات سخت افزاری جدید، این امکان وجود نداشته است. این تحقیق با استفاده از روش پیشنهادی، تمام ویژگی ها را در یک تصویر نشان داده و امکان رسیدن به یک تصویر واحد با تمام ویژگی¬¬ها را فراهم کرده است. نتایج حاصل از ادغام تصاویر 0 و 90 درجه پلاریزاسیونی نشان داده است که تصویر نهایی به تصویر 5/22 درجه نزدیک می باشد. بدین ترتیب پزشک می¬تواند علاوه بر تصاویر 0 و 90 درجه که حاوی بیشترین اطلاعات سطح و عمق می باشند با استفاده از روش پیشنهادی در این تحقیق، تصویر 5/22 درجه را بصورت نرم افزاری تولید کند بطوریکه این تصویر حاوی اطلاعات ترکیبی از دو تصویر قبل است و می توان از آن برای تشخیص دقیق تر ضایعات رنگدانه ای بهره برد. کلید واژه: درموسکوپی، پلاریزاسیون، ادغام

هدف از انجام این پروژه آشکارسازی trend باند آلفا سیگنال الکتروانسفالوگرام با استفاده از پردازش تصویر اسپکتروگرام آن است. به عبارت دیگر تغییرات ایجاد شده در طیف باند آلفا که در طول زمان و به دلیل یک پدیده¬ی فیزیولوژیکی یا شناختی رخ می¬دهد را بتوان با استفاده از پردازش اسپکتروگرام آشکار کرد. در این پروژه خستگی ذهنی به عنوان یک پدیده¬ی شناختی برای ایجاد تغییرات در باند آلفا مورد مطالعه قرار گرفت. خستگی ذهنی به عنوان حالتی از کاهش هوشیاری ذهنی که باعث اختلال در عملکرد مغز می¬شود تعریف شده است. در این تحقیق trend باند آلفا به عنوان شاخصی از خستگی ذهنی در نظر گرفته شده است که با استفاده از فرایند گوسی تخمین زده می¬شود. نتایج بدست آمده از این روش نشان می¬دهد که خستگی ذهنی باعث افزایش فرکانس باند آلفا در ناحیه مرکزی سر می¬شود، به عبارت دیگر trend تغییرات فرکانسی این باند در طول فرایند خستگی ذهنی دارای یک روند صعود است. دومین روش پردازشی استفاده شده در این پروژه کانتور فعال است که میزان فعالیت باند آلفا در طول خستگی ذهنی را ارزیابی می¬کند. در واقع با استفاده از کانتور فعال نواحی از اسپکتروگرام که به دلیل فعالیت باند آلفا دارای شدت بیشتری نسبت به دیگر نواحی اسپکتروگرام هستند استخراج شده است. نتایج بدست آمده از این روش نشان می¬دهد که فعالیت باند آلفا ناحیه مرکزی سر در طول روند خستگی بیشتر از نواحی دیگر است. برای اعتبار سنجی روش تخمین trend با استفاده از فرایند گوسی، یک سری داده شبیه سازی شد. نتایج بدست آمده از پردازش این داده¬ها نشان می¬دهد trend تخمین زده شده دارای خطای مربعات میانگین کمتری نسبت به روش انتخاب پیک¬های فرکانسی، که یک روش دیگری برای تعیین trend تغییرات فرکانسی باند آلفا است، می¬باشد. بنابراین می¬توان گفت فرایند گوسی تخمین بهتری از trend تغییرات فرکانسی باند آلفا را می¬تواند فراهم می¬کند.

با توجه به اهمیت ساختار عروق خونی در تشخیص و درمان بسیاری از بیماری ها، بخش بندی عروق خونی در دو و سه بعد، یک موضوع تحقیقاتی فعال در زمینه پردازش تصاویر پزشکی به حساب می آید. روش های بخش بندی متعددی به منظور جداسازی رگ از تصاویر پزشکی وجود دارند که با توجه به ماهیت تصویر، ناحیه مورد نظر، خودکار یا نیمه خودکار بودن و ... هر یک به نوبه خود دارای مزایا و معایبی هستند. می توان گفت تکنیک بخش بندی استانداردی که نتیجه مطلوبی را برای همه تصاویر ارائه دهد، وجود ندارد. در این پژوهش با استفاده از فرایند گاوسی و تبدیل رادن، روشی نوین برای شناسایی و استخراج خط مرکزی و تخمین قطر عروق خونی، با تا?کید بر عروق خونی تصاویر شبکیه چشم ارائه گردیده است. فرضیه اصلی این پژوهش، نرمال بودن توزیع تغییرات جهت رگ با میانگین صفر و همچنین نرمال بودن توزیع قطر رگ با میانگین قطر اولیه رگ است. به کمک تبدیل رادن که مقاومت بالایی در برابر نویز دارد، ویژگی لازم از تصویر استخراج شده و به عنوان ورودی فرایند گاوسی در نظر گرفته می شود. سپس به کمک ماتریس کواریانس به دست آمده از مقایسه ورودی های مختلف و روابط مربوط به فرایند گاوسی، جهت و قطر رگ محاسبه می گردد. برای شناسایی دوشاخگی ها نیز از فرایند گاوسی چند متغیره استفاده می شود. استفاده از تبدیل رادن، همچنین فرض نرمال بودن توزیع قطر و تغییرات جهت رگ سبب شد الگوریتم ارائه شده بر روی تصاویر نویزی عملکرد مناسبی از خود نشان دهد. نتایج به دست آمده نشان داد این الگوریتم قادر است بر روی رنج وسیعی از تصاویر رگ و اجسام لوله ای شکل، عملکرد مناسبی از خود نشان دهد. عملکرد الگوریتم ارائه شده بر روی تصاویر شبکیه چشم پایگاه داده drive مورد ارزیابی قرار گرفت و توانست با دقت 93/74 درصد، صحت 81/72 درصد، حساسیت 74/28 درصد و تشخیص 97/15 درصد عروق خونی را شناسایی نماید.