فایل ورد کامل مقاله قطعه‌بندی تصاویر پزشکی با بهره‌گیری از روش‌های مجموعه سطح چندفازی و اصلاح بایاس

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل مقاله قطعه‌بندی تصاویر پزشکی با بهره‌گیری از روش‌های مجموعه سطح چندفازی و اصلاح بایاس دارای ۱۷ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد فایل ورد کامل مقاله قطعه‌بندی تصاویر پزشکی با بهره‌گیری از روش‌های مجموعه سطح چندفازی و اصلاح بایاس  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل مقاله قطعه‌بندی تصاویر پزشکی با بهره‌گیری از روش‌های مجموعه سطح چندفازی و اصلاح بایاس،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل مقاله قطعه‌بندی تصاویر پزشکی با بهره‌گیری از روش‌های مجموعه سطح چندفازی و اصلاح بایاس :

چکیده

روش مجموعه سطح برای قسمت بندی و تصحیح بایاس به صورت همزمان برروی تصاویرMRI ارائه میشود. قطعه بندی تصاویر پزشکی با توجه به افزایش حجم روز افزون این تصاویر، کاری دشوار و دور از دسترس انسان میباشد. با پیشرفت علوم پردازش تصویر به طور خودکار میتوان از کامپیوتر برای کمک بهره جست. قطعه بندی از مراحل اولیه پردازش تصویر به شمار میرود که بسیار نیز مورد توجه است. در این مقاله روشی ترکیبی مبتنی بر مجموعه سطوح و مدل کانتور فعال ارائه شده است که بتوان توسط آن به سرعت و دقت بهتری در پردازش تصاویر رسید. نتایج نیز بر روی تصاویر MRI مغز تست شده و نتایج بدست آمده در بخش نتایج و یافتههای حاکی از آن قدرت روش پیشنهادی نسبت به روشهای جدید ارائه شده میباشد.

واژههای کلیدی: قطعه بندی تصاویر پزشکی، مدل مجموعه سطوح، کانتور فعال، تصاویر MRI مغزی

۱

-۱ مقدمه

قسمت بندی تصویر، مساله قسمت بندی یک تصویر به روشی معنا دار میباشد. این تعریف مبهم، بر کلیت این مساله اشاره دارد- قسمت بندی میتواند در هر فرآیند استخراج تصویر مانند تشخیص اثر انگشت/متن/چهره، تشخیص ایراد در خطوط لوله صنعتی، ردیابی حرکت مردم/ماشین ها/هواپیماها و غیره یافت شود. برای بسیاری از کاربردها، قسمت بندی ساده میشود تا یک جسم را در یک تصویر بتوان یافت. این شامل قسمت بندی تصویر به دو دسته ناحیه – یا جسم یا پس زمینه- می باشد. قسمت بندی به طور طبیعی در سیستم بینایی انسان انجام میشود. هدف الگوریتمهای آستانه سازی، پیدا کردن یک مقدار آستانه ایده آل برای قسمت بندی عالی تصویر میباشد. آستانهها را میتوان هم به طور دستی و هم اتوماتیک تنظیم کرد. در انتخاب دستی آستانه، یک نفر باید نظر دهد که آیا مقدار آستانه صحیح میباشد یا خیر. این فرآیند زمان گیر و برونی میباشد. در انتخاب”T،

خطا هایی ممکن است رخ دهد و بعدا باعث بروز مشکلاتی در تحلیل تصویر شود. به همین دلیل، روشهای بسیاری برای اتوماتیک
کردن روند آستانهسازی معرفی شده است۶]و۵و.[۴

قطعه بندی یک روش اساسی درپردازش تصویر است که همچنان درحال توسعه وتکمیل میباشد، Level set یکی از روش-

های کاربردی جهت انتخاب ROI میباشد. بالا بردن دقت روشهای قطعه بندی یک هدف مشخص درپردازش تصویر است ازطرفی
با اضافه کردن روشهای جدید مانند مالتی رزولوشن و مالتی فاز میتوان به نتایج بهتری دست یافت دراین تحقیق با اضافه کردن روش های نوین ذکرشده به Level set و تنظیم کردن پارامترهای آن میتوان به نتایج بهتری دست یافت. این تحقیق همچنان

به عنوان یک روش نوین توسط محققین درحال ارزیابی است۳]و۲و.[۱

باتوجه به پیشرفت های اخیر از قطعه بندی درروشهای درمانی استفاده مستقیم میشود بنابراین بالا بردن دقت امری بسیار واضح است.[۳]

معروف ترین روش کانتور فعال توسط[۸] معرفی شد. Kass این الگوریتم را مارها نامگذاری کرد زیرا در حین تکامل، کانتورها به سمت جسم حرکت میکنند که شبیه به حرکت مارها حرکت میکند. با توجه به تخمین مرز یک جسم در تصویر، به نام کانتور اولیه، مارها مرز واقعی را مکان یابی میکنند.

در[۹] تمرکز بر روی کاهش وابستگی به شرایط اولیه از طریق تعریف انرژی خارجی جدید برای بهبود الگوریتم مار میباشد. Cohen و همکارانش [۱۰] یک مار جدید پیشنهاد کرد به نام مار بالنی، و یک نیروی خارجی دوم هم اضافه کرد که این نیرو، کانتور را در جهت نرمال آن به سمت بیرون (تورم) یا به سمت درون (جمع شدگی) تغییر شکل میدهد.

روش مجموعه سطح ابتدا در[۱۱] معرفی گردید و سپس توسط[۱۲ ] تغییر یافت. برای گرفتن جبهه های در حال حرکت در محدوده گستردهای از مسائل، روش مجموعه سطح، انتخاب عددی قدرتمندی به شمار میآید. از حوزه هایی که از روش های مجموعه سطح استفاده میکنند میتوان پردازش تصویر، بینایی کامپیوتری و گرافیک را نام برد. همانطور که توسط[۱۳] گفته شده است، یک نمایش ضمنی از دادههای ابر صفحهها، مجموعه ای از PDE ها که چگونگی حرکت صفحه را کنترل میکند، و روش های عددی مربوطه برای اجرای این بر روی کامپیوترها، مولفههای روش مجموعه سطح کلاسیک را میسازند.

-۲ فرمول بندی مجموعه سطح و روش

۱-۲ معرفی

غیر یکنواختی شدت اغلب در تصاویر تصویر برداری رزونانس مغناطیسی (MRI) وجود دارد که دلیل آن نقص دستگاههای تصویربرداری میباشد. غیریکنواختی تصویر را میتوان به طور کلی به صورت میدانی هموارو متغیر(از نظر مکانی) ضرب در سیگنال صحیح ثابتی از یک بافت مشابه در تصویر اندازه گیری شده، مدلسازی کرد. این میدان متغیر مکانی، میدان بایاس نام دارد. تصحیح بایاس روشی برای تخمین میدان بایاس و بازگرداندن سیگنالهای صحیح و بدینوسیله حذف اثرات جانبی غیر یکنواختی شدت میباشد. در میان روشهای مختلف تصحیح بایاس، آن روشهایی که بر اساس قسمتبندی میباشند، بسیار جالب توجه میباشند. مدل پارامتری مبنی بر بیشترین احتمال (ML) یا حداکثر احتمال پیشین (MAP)، اغلب برای متحد کردن قسمتبندی و

۲

تصحیح بایاس مورد استفاده قرار میگیرد، که پارامتر های آنها را میتوان با الگوریتم حداکثر انتظار (EM) تخمین زد. [۱ ] با این حال، اینگونه الگوریتمها حساس به مقداردهی اولیه متغیرها میباشند، که کاربرد آنها درقسمتبندی اتوماتیک را محدود میکنند.

اخیرا، Li و همکارانش [۱۶] یک رویکرد مجموعه سطح متغیر برای قسمتبندی همزمان و تصحیح بایاس پیشنهادکردهاند، که دارای فواید زیادی مانند نیرومندی در مقداردهی اولیه و تقریب خوب میدانهای بایاس پروفایلهای کلی (عمومی) میباشد. روش آنها از خوشه بندی میانگین k وزن دار انگیزه گرفته است و آن را به اختصارWKVLS نامیدند. با این حال، همانطور که از بحث های زیر متوجه خواهیم شد، روش WKVLS، مورد خاصی از روش )SVMLSمجموعه سطح چند فازی متغیر و استاندارد)

[۱۴] میباشد که این یکی دقیقترمیباشد.

۲-۲ فرمول بندی مجموعه سطح و به حداقل رسانی انرژی

از توابع مجموعه سطح چند گانه (LSE){i, i=1,…,n} برای نمایش نواحی {i, i=1,..,N} با N=2n همانند[۱۵] استفاده
میکنیم. که را تابع ویژگی ناحیه i در نظر میگیریم، که N(.) تابعی از مجموعه {i, i=1,…,n} میباشد که
مجموعه سطح چند. فازی آماری و متغیر (SVMLS) نام دارد، میتوان فرمولاسیون (SVMLS)، (۱) را بر اساس تابع مشخصه
[۱۴] ارائه نمود:

(۱)

که در آن d برابر است با رابطه :(۲)

(۲)

کمینه کردن انرژی را برای چهارسطح فازی انجام می دهیم. در این حالت برای Mi ها (۳) داریم[ ۱۲]

(۳)

که درآن(H( تابع هویساید (heaviside) میباشد و اغلب در عمل، از نسخه مرتب (با قاعده) آن

استفاده میکنیم.
اما روند کمینه کردن انرژی بدین صورت است که با ثابت نگه داشتن یک متغیر، متغیر دیگر را تغییر داده و سعی در کمینه کردن انرژی داریم:

روابط (۴) و (۵) و (۶) برای محاسبه کمینه کردن b، و آورده شده اند:

(۴)

۳

(۵)

(۶)

بنابراین با حداقل رساندن تابع انرژی برای ۱ و ۲ ، افت گرادیان مربوط به آن را به صورت رابطه (۷) بدست می-
آوریم: