تشخیص تومورهای در تصاویر MRI با استفاده از تکنیک های پردازش تصویر و یادگیری ماشین

توموره ای اولیه مغز یکی از شایعترین سرطانهای انسانی هستند که پیشرفت در روش های درمان و پایش را یکی از چالش های اساسی در حوزه عصبی تومورشناسی می دانند . طبقه بندی خودکار و دقیق تصاویر مغزی - MR برای تحلیل و تفسیر پزشکی بسیار مهم است. در طول دهه گذشته روش های متعددی پیشنهاد شده است. در این پایان نامه ، ما یک روشی برای طبقه بندی یک تصویر مغز MR داده شده به عنوان تصویر طبیعی یا غیر طبیعی ارائه کردیم. روش پیشنهادی ابتدا از تبدیل موجک بر ای استخراج ویژگی ها از تصاویر استفاده کرد و سپس با استفاده از تحلیل مولفه های اصلی ( PCA ) ابعاد ویژگی ها را کاهش داد. ویژگی های کاهش یافته به یک ماشین بردار پشتیبان هسته KSVM ارسال شد. برای افزایش تعمیم KSVM از استراتژی اعتبارسنجی لایه چینی استفاده شده است. تشخیص تومور مغزی به منظور کشف به موقع آسیب و اقدام سریع بر ای درمان بیمار از اهمیت بالایی برخوردار می باشد. تاکنون الگوریتم های زیادی در مورد چگونگی شناسایی و استخراج تومورها در تصاویر پزشکی پیاده سازی شده اند، ام آر آی وسیله ای است که معمولا برای تشخیص استفاده می شود. در تصاویر MR ، مقدار داده ها برای تفسیر و تحلیل دستی بسیار زیاد است. قطعه بندی فرآیند مهمی در اکثر تحلیل تصاویر پزشکی است .

کلیدواژه ها:

تومور مغزی ، قطعه بندی ، svm ، MRI ، DWT