نوع مقاله : مقاله کامل پژوهشی

نویسندگان

• راحله کافیه ¹
• علیرضا مهری دهنوی ²
• سعید صدری ³
• سید حمید راجی ⁴

¹ کارشناس ارشد مهندسی پزشکی، گروه مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان

² دانشیار گروه مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان

³ دانشیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی اصفهان

⁴ استادیار گروه ارتودنسی، دانشکده دندان پزشکی، دانشگاه علوم پزشکی اصفهان

چکیده

به منظور پیش بینی رشد فک و صورت و امکان برنامه ریزی درمان های لازم، دانش سفالومتری از طریق مقایسه فک و صورت افراد مختلف بنیان گذاری شده است. تاکنون تلاش های زیادی به منظور اتوماتیک کردن آنالیزهای سفالومتری با هدف کاهش زمان لازم برای آنالیز، بهبود صحت تشخیص لندمارک ها و کاهش خطاهای حاصل از خستگی فرد متخصص صورت پذیرفته است. هدف این طرح تعیین مکان دقیق لندمارک های سفالومتری بر روی تصاویر دندانپزشکی است. در این طرح یک روش مبتنی بر ترکیب مدل های شکل پذیر و شبکه های عصبی بر روی تصاویر سفالومتری در دندانپزشکی پیشنهاد شده است. به این منظور در گام اول، تعدادی از مشخصات تصویر به وسیله یک فیلتر نفوذ غیرخطی و سپس روش تشخیص لبه سوسان استخراج شده اند تا اثر اندازه، چرخش و شیفت احتمالی جمجمه هنگام تصویربرداری مدلسازی شود. در گام بعدی یک شبکه عصبی برای طبقه بندی تصاویر سفالومتری بر اساس مشخصات هندسی آنها مورد استفاده قرار گرفته است. سپس با استفاده از شبکه آموزش یافته برای هر تصویر جدید ورودی، کلاس مربوط تشخیص داده شده، مکان تقریبی لندمارک ها تخمین زده می شود. سپس با اعمال روش مدل های شکل پذیر بر تصاویر مکان دقیق لندمارک ها در تصویر به دست می آیند و در نهایت یک مرحله تطبیق الگو به منظور تعیین مکان دقیق لندمارک ها بر روی تصاویر به کار برده می شود. برای بررسی صحت عملکرد سیستم از 20 تصویر سفالومتری استفاده شده و در هر تصویر 16 لندمارک مکان یابی می شود. هر یک از تصاویر تقریبا دارای ابعاد mm 170 در mm 200 بوده با قدرت تفکیک ) dpi100هر میلی متر معادل با 4 پیکسل) به صورت دیجیتال در آمده اند. به طور متوسط 24% از لندمارک ها در فاصله mm 1نقاط صحیح، 61% در فاصله mm 2 و 93% در فاصله mm 5 مکان یابی شده اند که بهبود چشمگیری نسبت به روش های قبل نشان می دهد. با توجه به نتایج حاصل مشاهده می شود استفاده از روش پیشنهادی در مقایسه با روش های موجود نتایج بسیار مطلوب تری را ارائه می نماید.

کلیدواژه‌ها

• سفالومتری
• مدل های شکل پذیر
• فیلتر نفوذ غیر خطی
• شبکه عصبی
• روش تطبیق الگو

موضوعات

• پردازش تصاویر پزشکی

عنوان مقاله [English]

Automatic Detection of Cephalometric Landmarks on Cephalograms of Patients Referring to Isfahan University of Medical Sciences

نویسندگان [English]

• Raheleh Kafieh ¹
• Alireza Mehri Dehnavi ²
• Saeed Sadri ³
• Seyed Hamid Raji ⁴

¹ MSc Graduated, Department of Biomedical Engineering, Medical School, Isfahan University of Medical Sciences

² Associate Professor, Department of Biomedical Engineering, Medical School, Isfahan University of Medical Sciences

³ Associate Professor, Electrical & Computer Engineering School, Isfahan University of Technology

⁴ Assistant Professor, Department of Orthodontics, Dentistry School, Isfahan University of Medical Sciences

چکیده [English]

Cephalometry is the scientific measurement of head dimensions to predict craniofacial growth, plan treatment and compare different cases. There have been many attempts to automate cephalometric analysis with the aim of reducing the time required to obtain an analysis, improve the accuracy of landmark identification and reduce the errors due to clinician subjectivity. This paper introduces a method for automatic landmark detection on cephalograms. We introduced a combination of model­-based methods and neural networks on cephalograms. For this purpose, first some feature points were extracted using a nonlinear diffusion filter and Susan Edge Detector to model the size, rotation, and translation of skull. A neural network was used to classify the images according to their geometrical specifications. Using learning vector quantization (L VQ) for every new image, the possible coordinates of landmarks were estimated. Then a modified active shape model (ASM) was applied and a local search to find the best match to the intensity profile was used and every point was moved to get the best location. Finally, a sub-image matching procedure was applied to pinpoint the exact location of each landmark. In order to evaluate the results of this method, 20 randomly selected images were used with a drop-one-out method. Each image had a dimension of about 170x200 mm, digitized in 100 dpi (4 pixel == 1mm). On average, 24% of the 16% landmarks were within 1mm of correct coordinates, 61 percent within 2 mm, and 93 percent within 5 mm. the proposed method in this study has had a distinct improvement over the other proposed methods of automatic landmark detection. 

کلیدواژه‌ها [English]

• Cephalometry
• Active shape model (ASM)
• Non-linear diffusion
• Neural Networks
• Sub-image matching