شما اینجائید:خانه»دانلود»بخش بندی تصاویر MRI پزشکی: مطالعه ؛ بررسی و مقایسه الگوریتم ها
بخش بندی تصاویر MRI پزشکی: مطالعه ؛ بررسی و مقایسه الگوریتم ها
ارسال شده توسط:Papersimتاریخ ارسال: 2017/05/15در دیدگاهها برای بخش بندی تصاویر MRI پزشکی: مطالعه ؛ بررسی و مقایسه الگوریتم ها بسته هستند
هدف بخش بندی تصاویر MRI پزشکی: مطالعه ؛ بررسی و مقایسه الگوریتم ها
بخش بندی تصاویر MRI ، به معنای تقسیم بندی تصویرMRI به چند بخش (که قاعدتا به بافت های مختلفی تعلق دارند) می باشد. یکی از پیش پردازش های مهم در پردازش و بهره برداری ازتصاویر ام آرآی جهت کاربرد های مختلف مانند تشخیص بیماری ها و روند آنها و یا بررسی تاثیر معالجات می باشد. دشواری عمل قطعه بندی ام آرآی ، در دو چیز است: نخست آن که اخذ داده ها همواره با ایراداتی مواجه است. به تعبیر دیگر، تصاویر اخذ شده در معرض عوامل مخرب (آرتیفکت های) مختلفی از جمله نویز، غیر یکنوا تی شدت روشنایی و … قرار دارد.این امر در مورد تصاویر ام آر آی که بطور اساسی از میدان های مغنا طیسی که دارای خصوصیات غیر خطی با لایی هستند، استفاده می نماید، موجب بروز مشکلات مضاعف می گردد.
علت دوم آن است که اساسا تقسیم بندی بافت ها(بخصوص بافت های نرم) خود عملی همراه با عدم قطعیت بوده و به طور کلی نمی توان مرز مشخص و قطعی برای نواحی هر بافت و به تبع آن پاسخی قطعی برای قطعه بندی آنها در نظر گرفت. این دشواری تنها به روش های ماشینی و اتوماتیک محدود نمی شود.
خبرگان انسانی نیز ممکن است در قطعه بندی این تصاویر دچار تردید و ا ختلاف نظر شوند. حتی ممکن ا ست یک خبره در مرتبه های متفاوت یک تصویر را به گونه های متفاوتی قطعه بندی نماید.برای غلبه بر این مشکلات الگوریتم های متعددی جهت ناحیه بندی تصاویر MRI تاکنون ارائه شده است که در این تحقیق ما سعی در بررسی تعدادی از آنها کرده ایم.
گزارش ۹۷ صقحه ای و WORD
عنوان:
مطالعه و بررسی الگوریتم های بخش بندی تصاویر MRI
چکیده
فصل اول:اصول و مبانی کلی
۱-۱-مقدمه
۱-۲-تصاویر MRI
۱-۳-پردازش تصویر
۱-۴-قطعه بندی تصویر
۱-۵- مشکلات بخش بندی تصاویر MRI
۱-۶- ارزیابی روشهای بخش بندی تصاویر
۱-۷- روشهای تقسیم بندی
فصل دوم: بخش بندی تصویر بر مبنای ناحیه
۲-۱-مقدمه
۲-۲-معرفی
۲-۳- رشد ناحیه
۲-۴-تقسیم و ادغام ناحیه
۲-۵-بخش بندی تصاویرMRI با استفاده از روش رشد ناحیه بر مبنای واریانس و گرادیان
فصل سوم: بخش بندی تصویر بر مبنای کانتور
۳-۱-مقدمه
۳-۲-معرفی
۳-۳-کانتور فعال
۳-۳-۱-ﺗﻮﺻﯿﻒ رﯾﺎﺿﯽ ﻣﺪل ﮐﺎﻧﺘﻮر ﻓﻌﺎل ﭘﺎراﻣﺘﺮی
۳-۳-۲-اﻧﺮژیﻫﺎی ﺗﺼﻮﯾﺮ در ﻣﺪل ﮐﺎﻧﺘﻮر ﻓﻌﺎل
۳-۳-۳-روش ﺗﻘﻄﯿﻊ تصاویر MRI ﺑﺮ ﻣﺒﻨﺎی اﺳﺘﻔﺎده از اﻧﺮژی ﺑﺎﻟﻮﻧﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﮐﺎﻧﺘﻮرﻟﺖ در ﻣﺪل ﮐﺎﻧﺘﻮر ﻓﻌﺎل
۳-۴-روش level set:
۳-۴-۱-روش پیشنهادی دوم
فصل چهارم: بخش بندی تصویر بر مبنای طبقه بندی
۴-۱-مقدمه
۴-۲-طبقه بندی
۴-۲-۱-انواع روش های طبقه بندی
۴-۲-۲ارزیابی روش های طبقه بندی
۴-۳-بررسی انواع روش های طبقه بندی
۴-۳-۱-درخت تصمیم
۴-۳-۲- بیزین
۴-۳-۳-روش طبقه بندی نزدیکترین k- همسایه
۴-۳-۴-روش طبقه بندی شبکه های عصبی
۴-۳-۵-روش طبقه بندی ماشین بردار پشتیبان
۴-۴-روش قطعه بندی تومور مغزی با استفاده از SVM
فصل پنجم
۵-۱-مقدمه
۵-۲- فرایند خوشهبندی
۵-۳-تکنیک های خوشه بندی
روش ها و الگوریتمهای خوشهبندی
۵-۴:کاربرد خوشه بندی
۵-۵-خوشه بندی تصویر
۵-۵-۱-خوشه بندی- فازی
الگوریتم FCM
۵-۵-۲-روش K-means
۵-۶-بخش بندی تصاویر MRI با استفاده از الگوریتم Fuzzy C-means
۵-۷-بخش بندی تصاویر MRI با استفاده از الگوریتم AFKM
۵-۷-۱-مقایسه روش های AFKMو FCM
۵-۸-بخش بندی تصویرMRI با استفاده از الگوریتم K-means و منطق Neutrosophy
فصل ششم
۶-۱-مقدمه
۶-۲-معرفی
۶-۳-مقایسه الگوریتمهای واترشد, KMCG و ماتریس خاکستری