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
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.
