بهبود کیفیت از طریق ویژگی های استخراج شده و کنتراست در تصاویر ماموگرافی به کمک ویولت – برق

مشخصات فایل

مقطع:کارشناسی ارشد
رشته تحصیلی:مهندسی برق
نوع ارائه:پایان نامه
تعداد صفحات:118
قالب بندی:word قابل ویرایش

نحوه خرید

بهبود کیفیت از طریق ویژگی های استخراج شده و کنتراست در تصاویر ماموگرافی به کمک ویولت – برق

شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

چکیده

فهرست مطالب
1 چکیده
2 مقدمه
3 فصل اول : ماموگرافی
4 1-1- مقدمه
4 1-2- کاربرد ماموگرافی در تشخیص سرطان پستان
8 1-3- بررسی مسأله از دید علم پردازش تصویر
9 1-4-مروري بر کارهاي انجام شده
10 1-5-بانک ماموگرام استفاده شده و چگونگی آماده سازي آنها
12 فصل دوم: کاربردهاي ویولت در تصویربرداري و تصاویر ماموگرافی
13 2-1- مقدمه
14 2-2- کاربردهاي ویولت در تصویربرداري و تصاویر پزشکی
16 2-2-1- تبدیل ویولت جهت تصاویر
18 2-2-2- کاهش نویز در تصاویر پزشکی:
20 2-2-3- ویولت براي فشرده سازي تصاویر پزشکی
20 2-2-4- بهبود کیفیت تصاویر ماموگرافی
25 2-2-5- آشکارسازي میکروکلسیفیکاسیونها در تصاویر ماموگرافی
29 فصل سوم :تشخیص خوش خیم و بدخیم بودن خوشه هاي
میکروکلسیفیکاسیون در ماموگرافی به کمک ویولت
30 3-1-مقدمه
3-2- مراحل پیاده سازي 30
3- 3-استخراج نواحی شامل خوشه از ماموگرامها و آماده سازي آنها 30
3-4- استخراج ویژگی هاي مالتی ویولت 31
3-5- استخراج ویژگیهاي ویولت بسته اي 33
3-6- استخراج ویژگی هاي آماري مرتبه2 34
3-7- انتخاب بهترین مجموعه از ویژگی ها 37
3-8- الگوریتم ژنتیک 38
3-9- چارچوب الگوریتم ژنتیک 38
3-10- الگوریتم انتخاب 38
3-11- الگوریتم تولید مثل 40
3-12- پارامترهاي الگوریتم ژنتیک 41
3-13- الگوریتم ژنتیک و مسأله انتخاب ویژگی 42
3-14- طبقه بندي کننده KNNص 43
3-15- پارامترهاي الگوریتم ژنتیک استفاده شده 45
3-16- ارزیابی تابع هدف 47
3-17- منحنی ROCص 47
3-18چگونگی تولید منحنی ROC در این پروژه 52
3-19- جور کردن منحنی توانی روي داده هاي خام 53
فصل چهارم : نتیجه گیري و پیشنهادات
° نتیج هگیري 56
° پیشنهادات
° ضمیمه 59
فهرست منابع 69

چکیده :
یکی از مهمترین و مؤثرترین راههاي تشخیص سرطان پستان بخصوص در مراحل اولیه بیماري، ماموگرافی می باشد. آمار نشان می دهد که در رده سنی 15-54 سال بانوان، سرطان پستان نسبت به سایر انواع سرطان بیشترین تعداد قربانی را می گیرد. مسأله، زمانی مهمتر جلوه می کند که بدانیم در رده سنی 35-54 سال مهمترین علت مرگ و میر زنان سرطان پستان می باشد. یکی از مؤثرترین راههاي مبارزه با این بیماري، تشخیص آن در مراحل اولیه پیدایش است.
در سالیان اخیر، متخصصین و محققین در زمینۀ پردازش سیگنال روشهاي کارآمدي جهت ارائه چند دقتی و تحلیل سیگنالها مبتنی بر ویولت ارائه نموده اند که بر خلاف تبدیل معمول فوریه، اطلاعات را به حوزه زمان ـ فرکانس نگاشت میکند و قادر به تغییر دقت زمانی و فرکانسی در مقابل یکدیگر است. از این رو ابزاري مناسب جهت تحلیل سیگنالهاي غیر ایستان می باشند. با توجه به غیر ایستان بودن سیگنالهاي مورد بررسی در پزشکی، عملکرد مناسب ویولت در آنالیز اینگونه سیگنالها درمقالات متنوع گزارش شده است.
به مرور زمان رادیولوژیس تها بطور تجربی قواعدي را کشف کر دهاند که با در نظر گرفتن شکل ظاهري کلسیفیکاسیونها، میزان پراکندگی آنها و ویژگیهاي دیگري از این قبیل، در مورد خوش خیم یا بدخیم بودن یک خوشه میکروکلسیفیکاسیون تصمیم گیري می کنند.تمامی ویژگیهاي ذکر شده در حوزه مکان یعنی از تصویر خام اولیه به وسیله سیستم بینایی رادیولوژیست استخراج می شود که معمو لاًُ بطور صددرصد دقیق هم انجام نمی شود. به خصوص با خستگی، میزان دقت نیز بطور چشمگیري کاهش می یابد. در این پایان نامه به بررسی مواردي از این دست پرداخته شده است.

مقدمه:
ماموگرافی تنها روش مطمئنی است که می توان از طریق آن یک توده را در سینه پیش از آنکه از طریق لمس قابل تشخیص باشد، آشکار نمود. بعضی از سرطانهاي پستان را میتوان حدود دو سال پیش از آنکه به اندازه اي برسند که از طریق لمس قابل تشخیص باشند، به کمک ماموگرافی آشکار نمود. البته باید توجه داشت که ماموگرافی هیچ گاه نمی تواند جایگزینی براي بیوپسی (نمونه برداري از بافت) باشد، زیرا این روش نمی تواند سرطان را در سین ههاي با چگالی بافت بالا آشکار نماید. بطور کلی در حدود 40% از سرطانهاي پستان در مراحل اولیه، فقط از طریق ماموگرافی قابل تشخیص هستند.
ماموگرامها بر حسب اینکه از چه جهتی تهیه می شوند به دو دسته اصلی تقسیم می شوند: کرانیوـ کودال یا CC که از جهت بالا به پایین گرفته می شود و مدیولترال ـ ابلیک یا MLO که به صورت نیم رخ و اریب گرفته می شود. هدف از این کار این است که سینه از جهات مختلف مورد آزمایش قرار گیرد تا بتوان ضایعات را بهتر مشاهده نمود.
در حال حاضر تبدیل ویولت گستره کاربرد وسیعی در زمینه مهندسی پزشکی یافته است که از تحلیل سیگنالهاي معمول و قدیمی تر حاصل از الکتروکاردیوگرافی تا تصاویر حاصل از سی تی اسکن و (Positron Emission Tomography) PET را شامل میشود.
اغلب کاربردهاي ویولت منحصراً مربوط به سیگنالهاي پزشکی نمی باشند و در بسیاري از موارد دیگر از سیگنالهاي یک بعدي نیز کارآیی دارند اما در حالات دو بعدي وضعیت متفاوت است و بجز حالاتی که در بخش حذف نویز به آنها اشاره می شود و در کاربردهاي دیگر در تصویربرداري پزشکی معادلی در کاربردهاي غیر پزشکی نمی توان یافت.
انجام عمل بیوپسی معمولاًُ به لحاظ فاکتورهایی که سلامتی بیمار را به مخاطره می اندازد مطلوب نیست و ترجیح داده میشود که حتی الامکان از این عمل احتراز شود. بنابراین یافتن راهی که بتواند به دقیق ترین نحوي بین نمونه هاي خوش خیم و بدخیم افتراق ایجاد کند، به لحاظ جلوگیري از بیوپسی هاي غیر لازم بسیار سودمند خواهد بود. از این رو تکیه بر تکنیکهاي پردازش تصویر در این زمینه یکی از بهترین روشها است.

نتیجهگیري و پیشنهادها:
تجزیه و تحلیل یک تصویر تنها در یک مقیاس خاص نمی تواند مفید باشد . چرا کـه سـاختارهاییکه به دنبال آنالیز آن در تصویر هستیم بطور معمول با اندازه هاي متفاوتی اتفاق می افتند. بنابراین تولید یک نمایش چند رزولوشنی از تصویر بسیار مهم است. در تولید یک نمایش چند رزولوشنی سعی بـر ایـناست که در هر سطح رزو لوشن جزییات تصویردر آن رزولوشن را قرار دهیم .
براي محاسبه جزییات تصویردر رزولوشنj ام می بایست ابتدا تقریبی از تصویر در رزولوشـن هـايjام و 1+ jام را بدست آوریم و سپس تفاوت م یزان اطلاعات موجود بین ایـن دو تقریـب را حـساب کنـیم.
بنابر این جزییات تصویر در رزولوشنj ام آن اطلاعاتی است که باید به تقریب در رزولوشن jام اضـافه شـودتا تقریب در رزولوشن1+ jام به دست آید. براي تولیـد یـک نمـایش چنـد رزولوشـنی از تـصویر از تبـدیلویولت استفاده می شود .
در این رویکرد ابتدا سعی می کنیم که یک تقریب چند رزولوشنی از فضاي (2 L2(R (مجموعـهتمام توابعی که در دو بعد انرژي محدودي دارند) ارائه کنیم. براي این کار تابعی موسوم بـه تـابع مقیـاسگر که خود نیز متعلق به (2 L2(R است به دست می آوریم که مقیاس شده ها و انتقال یافته هـاي آن، پایـههاي تقریب در رزولوشن هاي مختلف است. سپس با استفاده از توابعی موسوم به ویولت تفاوت بین تقریـب در رزولوشنهاي مختلف را تولید می کنیم و به این ترتیب یک نمایش چند رزولوشنی از تصویر که مرکـباز جزییات در سطوح رزولوشنی مختلف است، را به دست می آوریم . شکل تعـدادي از توابـع مقیـاسگر و ویولت بهمراه توضیح هر یک در ضمیمه آمده است.
هدف از این پروژه مطالعه اي بر تئوري جدید ویولت و مالتی ویولت و بررسی توانایی این تئوريدر بهبود کیفیت و طبقه بندي میکرو کلسیفیکاسیونهاي تصاویر ماموگرافی به دو دسته خوش خیم و بدخیم است . تئوري مالتی ویولت تعمیمی طبیعی از تئوري ویولت است که در آن بـراي تولیـد کـردن یـکنمایش چند رزولوشنی از مجموعه تمام توابعی که انرژي محـدود دارنـد. بـه جـاي اسـتفاده از یـک تـابعمقیاس گر از چند تابع مقیاس گر استفاده می شود و بدین ترتیب تعداد درجه آزادي سیستم افزایش مـییابد و بالطبع خواص مفید بیشتري می تواند با هم در سیستمهـاي مـالتی ویولـت وجـود داشـته باشـند.
ویژگــیهاي بدس ــــت آمـده از تبدیــــ ل ویولـت بـســـتهاي و تبـدیل مالــــــ تی ویولـت در طبقـهبنـــدي نیــــز از دیگر مواردي اســـــت که به آن پرداخته شــــده است. استـــــــفاده از ویژگیهاي آماري مرتبه دوم و ترکیب آنها با ویژگیهاي مالتی ویولت جهت افزایش کارآیی طبقه بندي بررسـی شـدهاست.
در فصل اول در مورد تصاویر ماموگرافی و زمینه هاي استفاده هـاي آن در رادیولـوژي بـه طـور مختـصرتوضیح داده شد. به خصو ص میکرو کلسیفیکاسیون ها که نشانه هاي زود هنگـامی بـراي سـرطان پـستانهستند و تشخیص خوش خیم و یا بد خیم بودن آنها از طریق ویژگیهاي بدست آمده هدف ایـن پـروژه راتشکیل می دهد ، معرفی شدند. مروري بر کارهـاي انجـام شـده در زمینـه طبقـه بنـدي ، آشکارسـازي وبارزسازي میکروکلس یفیکاسیونها به همراه مراجع مربوطه آورده شده است. معرفی بانک ماموگرامی کـه درآن استفاده شده است و چگونگی استخراج تصاویر از این بانک قسمت دیگري از این فصل را تـشکیل مـیدهد.
در فصل دوم در مورد تبدیل ویولت سیگنالهاي دو بعدي (تصاویر) و پایههاي ویولت جـدا پـذیربحث شد . درخصوص کاهش نویز و فشرده سازي در تصاویر پزشکی بطور اعم و در مـورد بهبـود کیفیـتتصاویر ماموگرافی و آشکارسازي میکروکلسیفیکاسیون ها بطور اخص مطالبی بیان شد.
در فصل سوم گزارشی از پیاده سازیهاي انجام شده و چگونگی استخراج ویژگیها آورده شده است.
براي طبقه بندي خوشه هاي میکروکلسیفیکاسیون خوش خیم و بد خـیم در مـاموگرام هـا از سـه دسـتهویژگی استفاده کردیم.
الف) ویژگی هاي مبتنی بر مالتی ویولت.
‌ب) ویژگی هاي آماري مرتبه دو مبتنی بر ماتریس هم وقوعی.
‌ج) ویژگی هاي مبتنی بر ویولت بسته اي.
نتایج پیاده سازي نشان می دهد که تبدیل مالتی ویولت در بسیاري از موارد بهتر از تبدیل ویولت عمـلمی کند . در بهترین حالت سطح زیر منحنی ROC براي تبدیل مالتی ویولت GHM بـراي 7K= در الگـوریتمK نزدیکترین همسایه به 0,9002 می رسد. این در حالی است که براي تبدیل ویولت در بهتـرین حالـت بـهسطح زیر منحنی 0,8459 براي ویولت 10db می رسیم. براي بالا بردن کارآیی طبقه بنـدي کننـده، ویژگـیهاي آماري مرتبه دو را نیز با ویژگی هاي مالتی ویولت ترکیب کـردیم. نتـایج نـشان مـی دهنـد کـه دربسیاري از حالات این کار سبب افرایش کارآیی می شود.
براي ادامه این پروژه پیشنهادهاي زیر ارائه می شود:
• استفاده ازیک بانک ماموگرام بزرگتر و بازبینی نتایج شبیه سازي بدون استفاده از بانکی که تعـدادقابل توجهی از حالات را پوشش دهد، نتایج بدست آمده خیلی نمی توانند قابل اعتماد باشند.
• استفاده از یک الگوریتم سریعتر بـراي تجزیـه مـالتی و یولـت. پیچیـدگی محاسـباتی کانولوشـنماتریسی در تجزیه مالتی ویولت نسبتأ بالا است و بهینه سازي این الگوریتم نیز می توانـد بـسیارسودمند باشد.
• آشکارسـازي میکروکلـسیفیکاسیون هـا و اسـتخراج ویژگـی هـایی کـه توصـیف کننـده شـکلمیکروکلسیفیکاسیون ها هستند و ترکیب این ویژگی ها با ویژگی هاي مالتی ویولت.
• استفاده از قابلیت فشرده سازي تبدیل مالتی ویولت در فشرده کردن تقریبأ بدون اتلاف مـاموگرامها. در فشرده سازي ماموگرام حفظ شـدن شـکل و سـطح خاکـستري میکروکلـسیفیکاسیون هـابسیار مهم است . می توان قابلیت تبدیل مالتی ویولت را در این باره آزمود.
• استفاده از قابلیت هاي غیر خطی شبکه ي عصبی در طبقه بندي ویژگـی هـا .در ایـن پـروژه بـهعلت کم بودن تعداد نمونه ها و در نتیجه محدود شدن اندازه ي مجموعه هاي آموزش و آزمـایشاز شبکه ي عصبی استفاده نکردیم ضمن اینکه قابلیت یک مجموعه ویژگی در طبقه بندي کلاسهاي مختلف وابسته به طبقه بندي کننده نیست بلکه یک خاصیت ذاتـی خـود ویژگـی هاسـت.
بنابراین اگر یک دسته ویژگی براي یک طبقه بندي کننده خـاص خیلـی خـوب عمـل کنـد. بـهاحتمال زیاد براي طبقه بندي کننده هاي دیگر نیز خوب عمل خواهد کرد.
• در این پروژه تعداد ویژگی هاي استفاده شده نسبتأ زیاد است. محدود کردن تعداد این ویژگی هـاو در نتیجـه محـدود شـدن فـضاي جـستجو در الگـوریتم ژنتیـک از حجـم محاسـبات بـه طـورچشمگیري می کاهد. محدود کردن فضاي ویژگی کارآیی طبقه بندي کننده را نمی توانـد بـهشدت تحت تاثیرقرار دهد، چرا که تعداد کلاس ها دو عدد است.
• در الگوریتم ژنتیک میتوان کاري کرد که تعداد ویژگی ها از یـک مقـدار مـاکزیمم تجـاوز نکنـد.
براي این کار اولأ می بایست جمعیت اولیه را طوري تولید کرد که تعداد یک هاي تمام کروموزومها از یک تعداد حداکثر تجاوز نکند. عملیات ترکیب کروموزومهاي والد و جهش ژنـی مـ یتواننـدباعث افزایش تعداد یکهاي کروموزوم هاي فرزندان و در بعضی موارد گذر از حداکثر تعداد مجـازیک ها شوند. بنابر این می بایست تدبیري اندیشید که در صورت چنین اتفاقی تعـداد یـک هـا رابه شکل مناسبی به زیر تعداد حداکثر مجاز رساند.

نحوه خرید

دانلود رایگان فایل
شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد

راهنمای سایت

برخلاف سایت های دیگر که فایل ها را به صورت تکی می فروشند روال سایت ما این است که شما با عضویت در سایت ما میتوانید از تمام فایل های موجود استفاده کنید.

تمام مطالب سایت فقط برای اعضای سایت رایگان است.

نحوه عضویت در سایت