|
Title
|
قطعه بندی تصاویر پزشکی با استفاده از خوشه بندی فازی مبتنی بر وزن دهی خوشه ها و ویژگی ها با استفاده از تبدیل کرولت
|
|
Type of Research
|
Thesis
|
|
Keywords
|
منطق فازی، خوشه بندی ، استخراج ویژگی، تبدیل کرولت، قطعه بندی تصاویر پزشکی
|
|
Abstract
|
تحلیل و بررسی تصاویر پزشکی بسیار مشکل و چالش برانگیز است. به عنوان مثال در تصاویر ماموگرافی، ذرات بسیار ریز آهکی معمولا به صورت ذرات نویزی مشاهده شده و توده ها دارای شدت روشنایی بسیار کمی هستند، که تشخیص آن ها را توسط رادیولوژیست ها و پزشکان دشوار می کند. با توجه به این که تشخیص دقیق و به موقع توده سرطانی و انواع مختلف آن اهمیت ویژه ای در سلامتی افراد جامعه دارد، لذا باید به نحوی دشواری تشخیص توده های سرطانی که به طور عمد با خطاهای انسانی در دقت تشخیص همراه است، مورد توجه قرار گیرد. تبدیل کرولت می تواند یک تبدیل موثر در بهبود کیفیت تصاویر پزشکی باشد. در تبدیل کرولت، هدف تجزیه و تحلیل تصویر از طریق انتقال، مقیاس و دوران حول موجک پایه است. فرآیند تبدیل با دو پنجره شعاعی و زاویه ای انجام می شود. در این تبدیل، موجک های پایه گوه ای شکل و بسیار حساس به زاویه هستند که در جهات و مقیاس های مختلف روی تصاویر اعمال می شوند. این تبدیل برخلاف دیگر تبدیل های زاویه ای مثل موجک گابور، محدوده فرکانسی را به طور کامل پوشش می دهد. از ویژگی های اصلی کرولت، حساسیت آن به جهت، لبه ها و توانایی ارائه جزئیات بالا گذر از لبه های اشیاء در مقیاس های مختلف از طریق ضرایب پراکنده غیرصفر است. پس از بهبود کیفیت تصاویر پزشکی و استخراج ویژگی از تصاویر و آماده سازی بردار ویژگی، استفاده از الگوریتم خوشه بندی مناسب مبتنی بر وزن دهی خوشه ها و ویژگی ها می تواند موثر باشد. الگوریتم های خوشه بندی عموما همه ویژگی ها را به طور مساوی در تصمیم گیری ها به کار می برند که این در عمل مطلوب نیست. بنابراین وجود یک مکانیزم مناسب برای انتخاب ویژگی ها ضروری به نظر می رسد. همچنین بدون وجود یک راهکار مناسب برای جلوگیری از حساسیت الگوریتم به انتخاب نقاط اولیه، الگوریتم خوشه بندی کارایی بالایی نخواهد داشت. بدین دلیل که الگوریتم های افراز کننده به شدت نسبت به انتخاب نقاط اولیه حساس هستند، بنابراین انتخاب روشی که به طور موثر به ویژگی ها وزن بدهد و به نقاط اولیه حساس نباشد، حائز اهمیت است و این امر موجب افزایش کارایی الگوریتم خوشه بندی خواهد شد.\,خروجی مرحله فوق ورودی الگوریتم کلاس بندی است. در مرحله آخر استفاده از یک الگوریتم طبقه بندی کننده چون $SVM$ برای تشخیص بیماری در تصاویر پزشکی می تواند
|
|
Researchers
|
Arezoo Najafi Moghaddam (Student)، Mahdi Hashemzadeh (Primary Advisor)، Nasser Aghazadeh (Primary Advisor)، (Advisor)، Amin Golzari Oskouei (Second Advisor)
|