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
۱ چکیده
۲ مقدمه
۳ فصل اول : ماموگرافی
۴ ۱-۱- مقدمه
۴ ۱-۲- کاربرد ماموگرافی در تشخیص سرطان پستان
۸ ۱-۳- بررسی مسأله از دید علم پردازش تصویر
۹ ۱-۴-مروری بر کارهای انجام شده
۱۰ ۱-۵-بانک ماموگرام استفاده شده و چگونگی آماده سازی آنها
۱۲ فصل دوم: کاربردهای ویولت در تصویربرداری و تصاویر ماموگرافی
۱۳ ۲-۱- مقدمه
۱۴ ۲-۲- کاربردهای ویولت در تصویربرداری و تصاویر پزشکی
۱۶ ۲-۲-۱- تبدیل ویولت جهت تصاویر
۱۸ ۲-۲-۲- کاهش نویز در تصاویر پزشکی:
۲۰ ۲-۲-۳- ویولت برای فشرده سازی تصاویر پزشکی
۲۰ ۲-۲-۴- بهبود کیفیت تصاویر ماموگرافی
۲۵ ۲-۲-۵- آشکارسازی میکروکلسیفیکاسیونها در تصاویر ماموگرافی
۲۹ فصل سوم :تشخیص خوش خیم و بدخیم بودن خوشه های
میکروکلسیفیکاسیون در ماموگرافی به کمک ویولت
۳۰ ۳-۱-مقدمه
۳-۲- مراحل پیاده سازی ۳۰
۳- ۳-استخراج نواحی شامل خوشه از ماموگرامها و آماده سازی آنها ۳۰
۳-۴- استخراج ویژگی های مالتی ویولت ۳۱
۳-۵- استخراج ویژگیهای ویولت بسته ای ۳۳
۳-۶- استخراج ویژگی های آماری مرتبه۲ ۳۴
۳-۷- انتخاب بهترین مجموعه از ویژگی ها ۳۷
۳-۸- الگوریتم ژنتیک ۳۸
۳-۹- چارچوب الگوریتم ژنتیک ۳۸
۳-۱۰- الگوریتم انتخاب ۳۸
۳-۱۱- الگوریتم تولید مثل ۴۰
۳-۱۲- پارامترهای الگوریتم ژنتیک ۴۱
۳-۱۳- الگوریتم ژنتیک و مسأله انتخاب ویژگی ۴۲
۳-۱۴- طبقه بندی کننده KNNص ۴۳
۳-۱۵- پارامترهای الگوریتم ژنتیک استفاده شده ۴۵
۳-۱۶- ارزیابی تابع هدف ۴۷
۳-۱۷- منحنی ROCص ۴۷
۳-۱۸چگونگی تولید منحنی ROC در این پروژه ۵۲
۳-۱۹- جور کردن منحنی توانی روی داده های خام ۵۳
فصل چهارم : نتیجه گیری و پیشنهادات
° نتیج هگیری ۵۶
° پیشنهادات
° ضمیمه ۵۹
فهرست منابع ۶۹

چکیده :
یکی از مهمترین و مؤثرترین راههای تشخیص سرطان پستان بخصوص در مراحل اولیه بیماری، ماموگرافی می باشد. آمار نشان می دهد که در رده سنی ۱۵-۵۴ 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 ۳۵-۵۴ سال مهمترین علت مرگ و میر زنان سرطان پستان می باشد. یکی از مؤثرترین راههای مبارزه با این بیماری، تشخیص آن در مراحل اولیه پیدایش است.
در سالیان اخیر، متخصصین و محققین در زمینۀ پردازش سیگنال روشهای کارآمدی 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 ابزاری مناسب جهت تحلیل سیگنالهای غیر ایستان می باشند. با توجه به غیر ایستان بودن سیگنالهای مورد بررسی در پزشکی، عملکرد مناسب ویولت در آنالیز اینگونه سیگنالها درمقالات متنوع گزارش شده است.
به مرور زمان رادیولوژیس تها بطور تجربی قواعدی را کشف کر دهاند که با در نظر گرفتن شکل ظاهری کلسیفیکاسیونها، میزان پراکندگی آنها و ویژگیهای دیگری از این قبیل، در مورد خوش خیم یا بدخیم بودن یک خوشه میکروکلسیفیکاسیون تصمیم گیری می کنند.تمامی ویژگیهای 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 چشمگیری کاهش می یابد. در این پایان نامه به بررسی مواردی 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 سرطانهای پستان را میتوان حدود دو سال پیش از آنکه به اندازه ای برسند که از طریق لمس قابل تشخیص باشند، به کمک ماموگرافی آشکار نمود. البته باید توجه داشت که ماموگرافی هیچ گاه نمی تواند جایگزینی برای بیوپسی (نمونه برداری از بافت) باشد، زیرا این روش نمی تواند سرطان را در سین ههای با چگالی بافت بالا آشکار نماید. بطور کلی در حدود ۴۰% از سرطانهای 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 سیگنالهای معمول و قدیمی تر حاصل از الکتروکاردیوگرافی تا تصاویر حاصل از سی تی اسکن و (Positron Emission Tomography) PET را شامل میشود.
اغلب کاربردهای ویولت منحصراً مربوط به سیگنالهای پزشکی نمی باشند و در بسیاری از موارد دیگر از سیگنالهای یک بعدی نیز کارآیی دارند اما در حالات دو بعدی وضعیت متفاوت است و بجز حالاتی که در بخش حذف نویز به آنها اشاره می شود و در کاربردهای دیگر در تصویربرداری پزشکی معادلی در کاربردهای 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 نحوی بین نمونه های خوش خیم و بدخیم افتراق ایجاد کند، به لحاظ جلوگیری از بیوپسی های غیر لازم بسیار سودمند خواهد بود. از این رو تکیه بر تکنیکهای پردازش تصویر در این زمینه یکی از بهترین روشها است.

نتیجهگیری 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 های 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 .
برای محاسبه جزییات تصویردر رزولوشنj ام می بایست ابتدا تقریبی از تصویر در رزولوشـن هـایjام و ۱+ 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 رزولوشن۱+ jام به دست آید. برای 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 فضای (۲ L2(R (مجموعـهتمام توابعی که در دو بعد انرژی محدودی دارند) ارائه کنیم. برای این کار تابعی موسوم بـه تـابع مقیـاسگر که خود نیز متعلق به (۲ L2(R است به دست می آوریم که مقیاس شده ها و انتقال یافته هـای آن، پایـههای تقریب در رزولوشن های مختلف است. سپس با استفاده از توابعی موسوم به ویولت تفاوت بین تقریـب در رزولوشنهای 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 تعـدادی از توابـع مقیـاسگر و ویولت بهمراه توضیح هر یک در ضمیمه آمده است.
هدف از این پروژه مطالعه ای بر تئوری جدید ویولت و مالتی ویولت و بررسی توانایی این تئوریدر بهبود کیفیت و طبقه بندی میکرو کلسیفیکاسیونهای تصاویر ماموگرافی به دو دسته خوش خیم و بدخیم است . تئوری مالتی ویولت تعمیمی طبیعی از تئوری ویولت است که در آن بـرای تولیـد کـردن یـکنمایش چند رزولوشنی از مجموعه تمام توابعی که انرژی محـدود دارنـد. بـه جـای اسـتفاده از یـک تـابعمقیاس گر از چند تابع مقیاس گر استفاده می شود و بدین ترتیب تعداد درجه آزادی سیستم افزایش مـییابد و بالطبع خواص مفید بیشتری می تواند با هم در سیستمهـای مـالتی ویولـت وجـود داشـته باشـند.
ویژگــیهای بدس ــــت آمـده از تبدیــــ ل ویولـت بـســـتهای و تبـدیل مالــــــ تی ویولـت در طبقـهبنـــدی نیــــز از دیگر مواردی اســـــت که به آن پرداخته شــــده است. استـــــــفاده از ویژگیهای آماری مرتبه دوم و ترکیب آنها با ویژگیهای مالتی ویولت جهت افزایش کارآیی طبقه بندی بررسـی شـدهاست.
در فصل اول در مورد تصاویر ماموگرافی و زمینه های استفاده هـای آن در رادیولـوژی بـه طـور مختـصرتوضیح داده شد. به خصو ص میکرو کلسیفیکاسیون ها که نشانه های زود هنگـامی بـرای سـرطان پـستانهستند و تشخیص خوش خیم و یا بد خیم بودن آنها از طریق ویژگیهای بدست آمده هدف ایـن پـروژه راتشکیل می دهد ، معرفی شدند. مروری بر کارهـای انجـام شـده در زمینـه طبقـه بنـدی ، آشکارسـازی وبارزسازی 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 دیگری از این فصل را تـشکیل مـیدهد.
در فصل دوم در مورد تبدیل ویولت سیگنالهای دو بعدی (تصاویر) و پایههای ویولت جـدا پـذیربحث شد . درخصوص کاهش نویز و فشرده سازی در تصاویر پزشکی بطور اعم و در مـورد بهبـود کیفیـتتصاویر ماموگرافی و آشکارسازی میکروکلسیفیکاسیون ها بطور اخص مطالبی بیان شد.
در فصل سوم گزارشی از پیاده سازیهای انجام شده و چگونگی استخراج ویژگیها آورده شده است.
برای طبقه بندی خوشه های میکروکلسیفیکاسیون خوش خیم و بد خـیم در مـاموگرام هـا از سـه دسـتهویژگی استفاده کردیم.
الف) ویژگی های مبتنی بر مالتی ویولت.
‌ب) ویژگی های آماری مرتبه دو مبتنی بر ماتریس هم وقوعی.
‌ج) ویژگی های مبتنی بر ویولت بسته ای.
نتایج پیاده سازی نشان می دهد که تبدیل مالتی ویولت در بسیاری از موارد بهتر از تبدیل ویولت عمـلمی کند . در بهترین حالت سطح زیر منحنی ROC برای تبدیل مالتی ویولت GHM بـرای ۷K= در الگـوریتمK نزدیکترین همسایه به ۰,۹۰۰۲ می رسد. این در حالی است که برای تبدیل ویولت در بهتـرین حالـت بـهسطح زیر منحنی ۰,۸۴۵۹ برای ویولت ۱۰db می رسیم. برای بالا بردن کارآیی طبقه بنـدی کننـده، ویژگـیهای آماری مرتبه دو را نیز با ویژگی های مالتی ویولت ترکیب کـردیم. نتـایج نـشان مـی دهنـد کـه دربسیاری از حالات این کار سبب افرایش کارآیی می شود.
برای ادامه این پروژه پیشنهادهای زیر ارائه می شود:
• استفاده ازیک بانک ماموگرام بزرگتر و بازبینی نتایج شبیه سازی 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 بـرای تجزیـه مـالتی و یولـت. پیچیـدگی محاسـباتی کانولوشـنماتریسی در تجزیه مالتی ویولت نسبتأ بالا است و بهینه سازی این الگوریتم نیز می توانـد بـسیارسودمند باشد.
• آشکارسـازی میکروکلـسیفیکاسیون هـا و اسـتخراج ویژگـی هـایی کـه توصـیف کننـده شـکلمیکروکلسیفیکاسیون ها هستند و ترکیب این ویژگی ها با ویژگی های مالتی ویولت.
• استفاده از قابلیت فشرده سازی تبدیل مالتی ویولت در فشرده کردن تقریبأ بدون اتلاف مـاموگرامها. در فشرده سازی ماموگرام حفظ شـدن شـکل و سـطح خاکـستری میکروکلـسیفیکاسیون هـابسیار مهم است . می توان قابلیت تبدیل مالتی ویولت را در این باره آزمود.
• استفاده از قابلیت های غیر خطی شبکه ی عصبی در طبقه بندی ویژگـی هـا .در ایـن پـروژه بـهعلت کم بودن تعداد نمونه ها و در نتیجه محدود شدن اندازه ی مجموعه های آموزش و آزمـایشاز شبکه ی عصبی استفاده نکردیم ضمن اینکه قابلیت یک مجموعه ویژگی در طبقه بندی کلاسهای مختلف وابسته به طبقه بندی کننده نیست بلکه یک خاصیت ذاتـی خـود ویژگـی هاسـت.
بنابراین اگر یک دسته ویژگی برای یک طبقه بندی کننده خـاص خیلـی خـوب عمـل کنـد. بـهاحتمال زیاد برای طبقه بندی کننده های دیگر نیز خوب عمل خواهد کرد.
• در این پروژه تعداد ویژگی های استفاده شده نسبتأ زیاد است. محدود کردن تعداد این ویژگی هـاو در نتیجـه محـدود شـدن فـضای جـستجو در الگـوریتم ژنتیـک از حجـم محاسـبات بـه طـورچشمگیری می کاهد. محدود کردن فضای ویژگی کارآیی طبقه بندی کننده را نمی توانـد بـهشدت تحت تاثیرقرار دهد، چرا که تعداد کلاس ها دو عدد است.
• در الگوریتم ژنتیک میتوان کاری کرد که تعداد ویژگی ها از یـک مقـدار مـاکزیمم تجـاوز نکنـد.
برای این کار اولأ می بایست جمعیت اولیه را طوری تولید کرد که تعداد یک های تمام کروموزومها از یک تعداد حداکثر تجاوز نکند. عملیات ترکیب کروموزومهای والد و جهش ژنـی مـ یتواننـدباعث افزایش تعداد یکهای کروموزوم های فرزندان و در بعضی موارد گذر از حداکثر تعداد مجـازیک ها شوند. بنابر این می بایست تدبیری 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

آخرین مطالب

مطالب مرتبط