پردازش تصاویر پزشکی
فاطمه ناظم؛ علیرضا احمدیان؛ محمد جواد ابوالحسنی؛ نسیم داداشی؛ معصومه گیتی؛ محمد باقر شیران
دوره 5، شماره 4 ، اسفند 1390، ، صفحه 351-358
چکیده
با توجه به گسترش روز افزون استفاده از تصویربرداری فراصوت در سیستم‌های راهبری جراحی کبد، داشتن فرآیند انطباق بین تصاویر قیل و حین جراحی که از دقت و زمان کافی برخوردار باشد امری اجتناب ناپذیر است. با وجود استفاده گسترده از الگوریتم تکراری نزدیکترین نقاط1 در روش‌های انطباق مبتنی بر ویژگی، عملکرد آن به نویز، داده‌های اضافی وو انطباق ...
بیشتر
با توجه به گسترش روز افزون استفاده از تصویربرداری فراصوت در سیستم‌های راهبری جراحی کبد، داشتن فرآیند انطباق بین تصاویر قیل و حین جراحی که از دقت و زمان کافی برخوردار باشد امری اجتناب ناپذیر است. با وجود استفاده گسترده از الگوریتم تکراری نزدیکترین نقاط1 در روش‌های انطباق مبتنی بر ویژگی، عملکرد آن به نویز، داده‌های اضافی وو انطباق اولیه حساس است. الگوریتم انطباق مبتنی بر کالمن 2unscented که اخیرا معرفی شده است، بر مشکلات ناشی از نویز و داده‌های اضافی فائق می‌آید. الگوریتم UKF فرآیندی است که به صورت افزایشی و پی‌در‌پی نقاط را در انطباق تاثیر می‌دهد و برخلاف ICP نیازی به جمع آوری تمام نقاط برای شروع ندارد، با این وجود هزینه محاسباتی بالایی دارد. از این رو در این مطالعه رویکرد جدید دو مرحله‌ای برای انطباق پیشنهاد می‌شود. الگوریتم پیشنهادی ترکیبی از ICP و UKF است که علاه بر فائق آمدن بر محدودیت‌های ICP، بردار حالت UKF را بصورت دقیق مقداردهی می‌کند و زمان اجرای UKF را کاهش می‌دهد. الگوریتم دو مرحله‌ای بر روی دیتای گرفته شده از فانتوم تست می‌شود. نتایج نشان می‌دهد که الگوریتم پیشنهادی دقت الگوریتم ICPرا تا 23% و الگوریتم UKF را تا 13% در انطباق تصاویر فراصوت به سی‌تیبهبود می‌بخشد و زمان اجرای الگوریتم UKF را تا 60% کاهش می‌دهد.
پردازش تصاویر پزشکی
آذر طلوعی؛ حمید ابریشمی مقدم؛ معصومه گیتی
دوره 2، شماره 3 ، آذر 1387، ، صفحه 179-189
چکیده
تشخیص خودکار الگوهای پاتولوژیک ریوی در تصاویر HRCT بیماران مبتلا به ناهنجاری های بافت بینابینی ریه(ILD) ، مرحله ای مهم در ایجاد یک سیستم تشخیص به کمک کامپیوتر محسوب می شود. الگوریتم ارائه شده برای دسته بندی الگوهای بافت ریه شامل 3 مرحله است: در مرحله اول ریه از پس زمینه جدا می شود. در مرحله دوم دو بانک فیلتری موجک فوق کامل به نام ...
بیشتر
تشخیص خودکار الگوهای پاتولوژیک ریوی در تصاویر HRCT بیماران مبتلا به ناهنجاری های بافت بینابینی ریه(ILD) ، مرحله ای مهم در ایجاد یک سیستم تشخیص به کمک کامپیوتر محسوب می شود. الگوریتم ارائه شده برای دسته بندی الگوهای بافت ریه شامل 3 مرحله است: در مرحله اول ریه از پس زمینه جدا می شود. در مرحله دوم دو بانک فیلتری موجک فوق کامل به نام های فریم های موجک گسسته (DWF) و فریم های موجک دوران یافته (RWF) برای استخراج ویژگی از نواحی مطلوب (ROI) تعریف شده درون بافت ریه استفاده می شوند؛ در نهایت الگوریتم k نزدیکترین همسایه فازی برای دسته بندی الگوها اعمال می گردد. در این مطالعه 4 الگوی مرتبط با) ILD شیشه مات، لانه زنبوری، رتیکولار و نرمال) از یک پایگاه داده شامل 340 تصویر HRCT انتخاب شده و مورد بازشناسی قرار می گیرند. عملکرد سیستم کامپیوتری با عملکرد دو رادیوژیست مورد ارزیابی قرار می گیرد. ضریب توافق کاپا بین سیستم و دو رادیولوژیست در مقایسه با ضریب توافق 0.6848 بین دو رادیولوژیست، به طور متوسط 0.6543 است. چنین سیستمی می تواند به بهبود تصمیم گیری و کارایی پزشک از طریق تسهیل کشف و ارزیابی الگوهای تصویری پیچیده، کاهش تفاوت میان مشاهده گرها و حذف اعمال تکراری و گاهی خسته کننده منجر شود.
پردازش تصاویر پزشکی
نادر ریاحی عالم؛ رضا آقایی زاده ظروفی؛ معصومه گیتی؛ آرین دلداری؛ علیرضا احمدیان
دوره 1، شماره 3 ، آذر 1386، ، صفحه 157-165
چکیده
در این تحقیق، ضرورت وجود یک سیستم CAD ماموگرافی و قابلیت های آن مورد بررسی و نرم افزار نمونه ای برای یک سیستم CAD مناسب بیماران بومی ایران ارایه گردیده است. بدین منظور ابتدا تصاویر بیماران توسط یک اسکنر با جداسازی 56 و 112 میکرومتر رقمی شده و سپس توسط نرم افزار نمونه مورد پردازش قرار گرفت. تحلیل و جزییات فنی مربوط به طراحی و پیاده ...
بیشتر
در این تحقیق، ضرورت وجود یک سیستم CAD ماموگرافی و قابلیت های آن مورد بررسی و نرم افزار نمونه ای برای یک سیستم CAD مناسب بیماران بومی ایران ارایه گردیده است. بدین منظور ابتدا تصاویر بیماران توسط یک اسکنر با جداسازی 56 و 112 میکرومتر رقمی شده و سپس توسط نرم افزار نمونه مورد پردازش قرار گرفت. تحلیل و جزییات فنی مربوط به طراحی و پیاده سازی نرم افزار نمونه شامل چهار قسمت اصلی؛ قابلیت های دسترسی به اطلاعات مربوط به بیماران که در گزارش های ماموگرافی در ایران مرسوم است؛ قابلیت های نمایش نرم افزار از قبیل نمایش چهار تصویر یک ماموگرام از چهار وجه پستان (RCC, RMLO, LCC, LMLO) در یک صفحه، مشخص نمودن ناحیه پستان از سایر قسمت های تصویر با حذف زمینه؛ قابلیت های پیش پردازش نرم افزار از قبیل آستانه بندی تصاویر با امکان تغییر سطح آستانه، تعیین هیستوگرام تصاویر؛ استفاده از قسمت کمک تشخیصی خودکار نرم افزار CAD شامل الگوریتم پردازشی جداسازی میکروکلسیفیکاسیون های مشکوک بوسیله کاربرد منطق فازی و ویولت. با استفاده از سیستم CAD ماموگرافی ارایه شده، جمع آوری، سازماندهی و دسترسی به اطلاعات و تصاویر بیماران به سهولت امکان پذیر گردیده است. بدینوسیله با استفاده از بانک اطلاعاتی حساسیت و ویژگی الگوریتم آشکارسازی قابل ارزیابی خواهد بود.
پردازش تصاویر پزشکی
لادن امینی؛ حمید سلطانیان‌زاده؛ کارو لوکس؛ معصومه گیتی
دوره -2، شماره 1 ، تیر 1384، ، صفحه 17-34
چکیده
هدف از انجام این تحقیق، معرفی روشی جدید برای جداسازی ساختارهای خاص مغز میانی مانند تالاموس و هسته قرمز از روی تصاویر تشدید مغناطیسی است. روش پیشنهادی مبتنی بر مدل کانتورهای دینامیک می باشد. این مدل حاوی یک کانتور یا یک چند ضلعی است که رئوس آن توسط اضلاع به وصل شده اند. فرآیند تغییر شکل کانتور از حرکت رئوس کانتور اولیه تحت تاثیر نیروهای ...
بیشتر
هدف از انجام این تحقیق، معرفی روشی جدید برای جداسازی ساختارهای خاص مغز میانی مانند تالاموس و هسته قرمز از روی تصاویر تشدید مغناطیسی است. روش پیشنهادی مبتنی بر مدل کانتورهای دینامیک می باشد. این مدل حاوی یک کانتور یا یک چند ضلعی است که رئوس آن توسط اضلاع به وصل شده اند. فرآیند تغییر شکل کانتور از حرکت رئوس کانتور اولیه تحت تاثیر نیروهای داخلی و خارجی آغاز می شود. نیروهای داخلی از روی شکل هندسی کانتور و نیروهای خارجی از روی ویژگی های داده های تصویری مانند لبه های محاسبه می شوند. ساختارهای مغزی مانند تالاموس در MRI دارای تصویری با لبه های ناپیوسه و کنتراستی پایین هستند که محاسبه نیروهای خارجی را مشکل می سازند. روش پیشنهادی این مقاله مبتنی بر روش های خوشه یابی بدون سرپرستی فازی، فیلتر لبه یابی پریویت و عملگرهای شکلی معرفی شده است. به علاوه، در روش کانتور دینامیک متداول، کانتور اولیه توسط کاربر تعریف می شود که منجر به وابستگی نتایج جداسازی نهایی ساختار به کاربر می شود. در رفع این کاستی، یک روش جدید جهت ایجاد کانتور اولیه به صورت خودکار معرفی شده است. روش های پیشنهادی، پیاده سازی شده بر روی تصاویر واقعی از مغز انسان جهت جداسازی تالموس و هسته قرمز اعمال شده اند. جهت ارزیابی، نتایج جداسازی رادیولوژیست ها با روش پیشنهادی مقایسه شده است. درصد شباهت نتایج جداسازی تالاموس راست و چپ برابر 0.8 بوده که توانایی روش پیشنهادی در جداسازی ساختارهای مغزی مانند تالاموس را نشان می دهد. معیارهای ارزیابی نتایج جداسازی روی داده های با درصد نویز و شدت غیریکنواختی متفاوت جهت بررسی اثر این دو عامل روی روش پیشنهادی مورد مطالعه قرار گرفت. تغییر ناچیز نتایج معیارها، نشانگر پایداری روش نسبت به نویز و شدت غیریکنواختی است.
پردازش تصاویر پزشکی
حمید ابریشمی مقدم؛ علیرضا شیخ حسنی؛ عباس مصطفی؛ معصومه گیتی؛ پرویز عبدالمالکی
دوره -1، شماره 2 ، بهمن 1383، ، صفحه 117-128
چکیده
در این مقاله، یک سیستم CAD به منظور شناسایی و تشخیص خوشه های میکروکلسیفیکاسیون در تصاویر ماموگرافی معرفی شده است. الگوریتم معرفی شده مرکب از سه مرحله اساسی است. در مرحله اول، تبدیل موجک روی تصاویر ماموگرافی اعمال شده و دو ضریب موجک به همراه دو ویژگی آماری به عنوان ویژگی های متمایز کننده پیکسل ها از نظر تعلق به یک دانه میکروکلسیفیکاسیون ...
بیشتر
در این مقاله، یک سیستم CAD به منظور شناسایی و تشخیص خوشه های میکروکلسیفیکاسیون در تصاویر ماموگرافی معرفی شده است. الگوریتم معرفی شده مرکب از سه مرحله اساسی است. در مرحله اول، تبدیل موجک روی تصاویر ماموگرافی اعمال شده و دو ضریب موجک به همراه دو ویژگی آماری به عنوان ویژگی های متمایز کننده پیکسل ها از نظر تعلق به یک دانه میکروکلسیفیکاسیون استخراج می گردد. سپس با استفاده از یک شبکه عصبی، دسته بندی اولیه پیکسل ها انجام می شود. در مرحله دوم الگوریتم، پس از حذف پیکسل های نویزی حاصل از مرحله اول، اجسام باقیمانده از نظر مطابقت با یک دانه میکروکلسیفیکاسیون مورد بررسی قرار می گیرد. به این منظور، از 18 ویژگی تعریف شده برای هر دانه میکروکلسیفیکاسیون، و یک دسته بندی کننده غیرخطی استفاده شده و دانه های میکروکلسیفیکاسیون با دقت خوبی شناسایی می شود. برای آموزش این دسته بندی کننده، از 16 ناحیه حاوی میکروکلسیفیکاسیون های بدست آمده از تصاویر پایگاه داده ای که مجموعا شامل 379 میکروکلسیفیکاسیون بودند استفاده شده است. در مرحله سوم، با استفاده از 5 ویژگی مربوط به خوشه های میکروکلسیفیکاسیون و یک شبکه عصبی، در مورد بدخیمی خوشه های میکروکلسیفیکاسیون قضاوت به عمل می آید. برای آموزش این شبکه عصبی از 22 خوشه که از 14 خوشه خوش خیم و 8 خوشه بدخیم تشکیل شده بودند استفاده شد. برای سنجش کارآیی سیستم نیز 22 خوشه دیگر که در مرحله آموزش از آنها استفاده نشده بود و شامل 10 خوشه خوش خیم و 12 خوشه بد خیم بودند، به سیستم اعمال شد. با اعمال تصاویر فوق، این سیستم در مقدار آستانه 0.45 مقدار حساسیت 100% و مقدار خصوصیت 91.6% از خود نشان داد. با توجه به این مقادیر می توان قابلیت مناسب الگوریتم ایجاد شده را تایید نمود.
