ارائه ی یک روش قطعه بندی جدید مبتنی بر مدل میدان تصادفی مارکوف برای تعیین نواحی مشکوک در تصاویر MRI سینه
- سال انتشار: 1390
- محل انتشار: هفتمین کنفرانس ماشین بینایی و پردازش تصویر ایران
- کد COI اختصاصی: ICMVIP07_062
- زبان مقاله: فارسی
- تعداد مشاهده: 4008
نویسندگان
استادیار گروه آموزشی مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه
استادیار دانشگاه علوم پزشکی شهید بهشتی، تهران
دانشجوی کارشناسی ارشد هوش مصنوعی، دانشکده فنی و مهندسی، دانشگاه الز
دانشجوی کارشناسی ارشد هوش مصنوعی، دانشکده فنی و مهندسی، دانشگاه الز
چکیده
سرطان سینه یکی از شایع ترین بیماری ها در بین زنان ایرانی محسوب می شود. تصاویر MRI نقش بسیار مهمی را در مراحل مختلف درمان این سرطان ایفاء می کنند. اما قطعه بندی دقیق این تصاویر به علت غیریکنواخت بودن مقادیر شدت روشنایی و وجود نویز در آنها، همچنان به عنوان یک مسئله ی چالش برانگیز مطرح است. مدل میدان تصادفی مارکوف، یک مدل آماری است که در بسیاری از مسائل مربوط به قطعه بندی تصاویر پزشکی مورد استفاده قرار می گیرد. چراکه این روش با استفاده از تعریف سیستم همسایگی، قادر است تاثیر آرتیفکت های موجود در قطعه بندی را کاهش داده و مسئله قطعه بندی را به یافتن یک فیلد برچسب گذاری با انرژی بهینه تبدیل نماید. اما این روش دارای دو ضعف اصلی است، 1- پیچیدگی محاسباتی و 2- وابسته بودن نتایج به پارامترهای مدل. جهت غلبه بر مشکلات مذکور، ما در این مقاله روش بهبود یافته ی میدان تصادفی مارکوف (I-MRF) را ارائه می کنیم. در این روش برخلاف نوع قراردادی آن، ما از روش های تکراری ICM و SA جهت تخمین برچسب هر یک از پیکسل ها استفاده نمی کنیم، بلکه احتمال پیشین در این روش توسط نسبت توزیع احتمال شرطی تعیین می شود.نتایج به دست آمده سرعت و دقت بالاتر روش پیشنهادی را نسبت به روش های موجود MRF-SA و MRF-ICM نشان می دهد.کلیدواژه ها
قطعه بندی نواحی مشکوک در سینه، مدل میدان تصادفی مارکوف، ویژگی های بافتی، تصویربرداری MRمقالات مرتبط جدید
- سودآوری مشتریان در خردهفروشی قطعات یدکی ماشین آلات راهسازی با رویکرد یادگیری ماشین
- ارائه روشی کارآمد جهت شناسایی کودکان نیازمند به پیوند مغز استخوان با استفاده از ترکیب طبقه بند ماشین بردار پشتیبان و الگوریتم بهینه سازی فاخته
- استخراج بهینه پارامترهای تاثیر گذار الگوریتم بهینه سازی بوفالوی آفریقایی با هدف استخراج ویژگی های مهم به منظور افزایش کارایی طبقه بندی داده ها
- ارائه روشی کارآمد برای بهبود عملکرد الگوریتم بهینه سازی کلاغ سیاه به منظور افزایش صحت خوشه بندی داده ها
- استفاده از الگوریتم باور بیزین در لایه کاملا متصل شبکه عصبی کانولوشن با هدف افزایش دقت تشخیص تصاویر
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.