امیر بابااوغلی؛ هادی سلطانیزاده
دوره 13، شماره 3 ، مهر 1398، ، صفحه 235-246
چکیده
بیماریهای مرتبط با شبکیه و ماکولای چشم باعث از دست رفتن دائمی بینایی یا کاهش بسیار زیاد دید در افراد شده و موجب پایین آمدن کیفیت زندگی و ایجاد مشکلات فراوان در زندگی روزمرهی بیماران میشود. از اینرو شناسایی به هنگام و درست این بیماریها و اختلالات از اهمیت بسیار زیادی برخوردار است. روش تصویربرداری مقطعنگاری همدوسی اپتیکی ...
بیشتر
بیماریهای مرتبط با شبکیه و ماکولای چشم باعث از دست رفتن دائمی بینایی یا کاهش بسیار زیاد دید در افراد شده و موجب پایین آمدن کیفیت زندگی و ایجاد مشکلات فراوان در زندگی روزمرهی بیماران میشود. از اینرو شناسایی به هنگام و درست این بیماریها و اختلالات از اهمیت بسیار زیادی برخوردار است. روش تصویربرداری مقطعنگاری همدوسی اپتیکی دقت بالایی در تصویربرداری داشته و همچنین اطلاعات عمقی از شبکیه ارائه میدهد. این روش تصویربرداری کمک بسیار زیادی به شناسایی دقیق بیماریهای مرتبط با ماکولا کرده است. یکی از شایعترین بیماریهای شبکیهی چشم، بیماری دژنراسیون وابسته به سن ماکولا است. هدف از انجام این پژوهش طراحی و پیادهسازی سیستمی قابل اعتماد و سریع است که بتواند بیماری دژنراسیون وابسته به سن ماکولا را با استفاده از پردازش تصاویر مقطعنگاری همدوسی اپتیکی به خوبی و با دقت و سرعت بالا شناسایی کند. در این مطالعه از روشهای هیستوگرام گرادیانهای جهتدار و تحلیل مولفهی اصلی برای استخراج ویژگیها و از روش طبقهبندی گروهی AdaBoost جهت طبقهبندی دادهها استفاده شده است. پایگاه دادهی مورد استفاده در این مقاله شامل 269 فرد بیمار و 115 فرد سالم است. هر سه شاخص دقت، حساسیت و خاصیت سیستم پیادهسازی شده برابر با 100% اندازهگیری شده است.
پردازش تصاویر پزشکی
مریم باقری باغان؛ وحید آزادزاده؛ علی محمد لطیف
دوره 10، شماره 2 ، شهریور 1395، ، صفحه 137-148
چکیده
تشخیص بیماری از روی زبان، روشی رایج در طب سنتی چینی است. در این مقاله، روش غیرتهاجمی تصویر برداری از زبان، که پاپیلاهای سطح آن در اثر ابتلا به بیماری دیابت تغییر شکل میدهند، برای شناسایی بیماری دیابت استفاده میشود. تصاویر استفادهشده، از کلینیک تخصصی پارسیان شهر مشهد تهیه شد. در این نمونهبرداری، افراد مبتلا به دیابت، سالم و ...
بیشتر
تشخیص بیماری از روی زبان، روشی رایج در طب سنتی چینی است. در این مقاله، روش غیرتهاجمی تصویر برداری از زبان، که پاپیلاهای سطح آن در اثر ابتلا به بیماری دیابت تغییر شکل میدهند، برای شناسایی بیماری دیابت استفاده میشود. تصاویر استفادهشده، از کلینیک تخصصی پارسیان شهر مشهد تهیه شد. در این نمونهبرداری، افراد مبتلا به دیابت، سالم و مشکوک به دیابت با هر دو جنسیت در گروههای سنی مختلف آزمایش شدند. بعد از تصویر برداری، ناحیة زبان با استفاده از دو مدل مبتنی بر کانتور فعال، بخشبندی شد؛ سپس، ویژگیهای محلی توسعه یافته، ویژگی آماری بافت و گشتاورهای رنگ در فضاهای رنگی مختلف از ناحیة بخشبندی شده استخراج میشود. پس از استخراج ویژگی با استفاده از دستهبندی ماشین یادگیر بیشینه، افراد دیابتی، سالم و مشکوک شناسایی میشوند. در روش پینشهادی، دقت 7/97 درصد برای پایگاه دادة تهیهشده بهدست آمد. نتایج آزمایشها، کارآمدی روش ارائهشده را در دقت تشخیص و سرعت پاسخدهی مناسب نسبت به سایر روشهای غیرتهاجمی نشان میدهد.
پردازش تصاویر پزشکی
هادی جعفریانی؛ حمید ابریشمی مقدم؛ محمدشهرام معین
دوره 1، شماره 4 ، اسفند 1386، ، صفحه 311-318
چکیده
یکتایی الگوی توزیع رگ های خونی شبکیه به عنوان راهکاری برای شناسایی هویت افراد مورد استفاده قرار می گیرد. در این مقاله روش مناسبی برای شناسایی هویت افراد بر اساس تصویر شبکیه ارائه شده است. این روش نسبت به چرخش، تغییر مقیاس و انتقال غیرحساس است. برای استخراج ویژگی های مطلوب تصاویر شبکیه از تبدیل فوریه- ملین و ممان های تصویر استفاده شده ...
بیشتر
یکتایی الگوی توزیع رگ های خونی شبکیه به عنوان راهکاری برای شناسایی هویت افراد مورد استفاده قرار می گیرد. در این مقاله روش مناسبی برای شناسایی هویت افراد بر اساس تصویر شبکیه ارائه شده است. این روش نسبت به چرخش، تغییر مقیاس و انتقال غیرحساس است. برای استخراج ویژگی های مطلوب تصاویر شبکیه از تبدیل فوریه- ملین و ممان های تصویر استفاده شده است. برای جبران چرخش که عموما ناشی از موقعیت های گوناگون اسکنر شبکیه نسبت به چشم خواهد بود، جبران ساز چرخش طراحی شده است. در تحلیل تصاویر شبکیه از مرکز دیسک نوری به عنوان یک نقطه ثابت و مرجع استفاده و برای تعیین آن از موجک هار و مدل مارها بهره گرفته شد. نتایج شبیه سازی روش پیشنهادی درصد خطایی نزدیک به صفر را نشان می دهد.
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.