تنظیم شدت نور و حذف نویز به منظور ارتقاء کیفیت تصاویر پزشکی

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 170

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JHBMI-3-1_005

تاریخ نمایه سازی: 9 مرداد 1403

چکیده مقاله:

مقدمه: ارتقاء کیفیت تصویر یکی از روش های پردازش تصویر است به طوری که  هر چه تصویر خروجی دارای کیفیت نمایش بالاتری باشد. تصاویر پزشکی نقش برجسته ای در تشخیص مدرن دارند، در نتیجه هدف از این مطالعه بهبود وضوح تصاویر پزشکی به منظور کمک به رادیولوژیست ها و جراحان در پیدا کردن ناحیه های ناهنجار است. روش: روش های استفاده شده در این مطالعه به منظور ارتقاء تصاویر پزشکی به دو دسته تنظیم شدت نور و حذف نویز دسته بندی می گردد. روش های مبتنی بر تنظم شدت نور، شامل تکنیک هایی برای نگاشت مقادیر شدت نور تصویر به دامنه جدید می باشد. دسته دوم، شامل روش هایی برای حذف نویز تصویر می باشند. در این مقاله از هر دو دسته برای ارتقاء تصاویر پزشکی استفاده شده است. تصاویر پزشکی استفاده شده شامل تصاویر ستون فقرات، مغز، ریه و ماموگرافی پستان می باشد. نتایج: نتایج حاصل از به کار بستن روش های استفاده شده بر روی تصاویر پزشکی بر اساس پنج معیار تعداد لبه های آشکارسازی، PCNR، اندیس کیفیت تصویر، AMBE و ارزیابی کیفیت بصری مورد مقایسه قرار گرفت که تصاویر ستون فقرات، مغز، ریه و ماموگرافی پستان در بهترین حالت به ترتیب دارای تعداد لبه های آشکاری سازی ۶۴۶۵، ۱۰۳۰۵، ۱۶۲۶۶و ۱۳۵۰۹ می باشد. نتیجه گیری: نتایج نشان می دهد که برخی معیار هایی چون تعداد لبه های آشکار سازی و ارزیابی کیفیت بصری بهترین روش های مبتنی بر شدت نور می باشند و عملکرد بهتری دارند اما معیار هایی مانند PCNR، اندیس کیفیت تصویر، AMBE روش های مبتنی بر حذف نویز نتایج بهتری را نشان دادند.

نویسندگان

میترا منتظری

M.S.c in Artificial Intelligence, Medical Informatics Research Center, Institute of Futures Studies in Health, Kerman University of Medical Sciences, Kerman, Iran.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Askari A, Khodaie M, Bahaadinbeigy K. The ۶۰ most highly ...
  • Bahaadinbeigy K, Yogesan K, Wootton R. Gaps in the systematic ...
  • Mazhari S, Bahaadinbeigy K. Telepsychiatry and its application in Iran. ...
  • Montazeri M, Naji HR, Faraahi A. A novel memetic feature ...
  • Montazeri M, Bahrololoum A, Nezamabadi-pour H, Soleymani Baghshah M, Montazeri ...
  • Montazeri M, Naji HR, Montazeri M. Memetic feature selection algorithm ...
  • Montazeri M, Nezamabadi-pour H, Bahrololoum A. Exploring and Exploiting Effectively ...
  • Montazeri M, Baghshah MS, Niknafs A. Selecting Efficient Features via ...
  • Montazeri M, Beigzadeh A. Machine learning models in breast cancer ...
  • Montazeri M, Montazeri M. Machine learning models for predicting the ...
  • Montazeri M, Montazeri M, Montazeri M, Bahrampour A. Can Breast ...
  • Montazeri M, Montazeri M, Beygzadeh A, Zahedi MJ. Identifying efficient ...
  • Afzali F, Heidari Z, Montazeri M, Ahmadian L, Zahedi MJ. ...
  • Montazeri M, Montazeri M, Montazeri M. Future studies in health ...
  • Predicting the survival in breast cancer using Hidden Markov Model [مقاله کنفرانسی]
  • Montazeri M, Baghshah MS, Enhesari A. Hyper-Heuristic Algorithm for Finding ...
  • Abbasi R, Montazeri M, Zare M. A Rule Based Classification ...
  • Montazeri M, Nezamabadi-pour H. Automatic extraction of eye field from ...
  • Montazeri M, Nezamabadi-pour H, Montazeri M. Automatically eye detection with ...
  • Montazeri M, Montazeri M, Saryazdi S. Eye detection in digital ...
  • Gonzalez CI, Melin P, Castro JR, Mendoza O, Castillo O. ...
  • Hashemi S, Kiani S, Noroozi N, Moghaddam ME. An image ...
  • Pandey S, Khanna P, Yokota H. An effective use of ...
  • Bialecki B, Park J, Tilkin M. Using Object Storage Technology ...
  • Rathi VV, Rajgure EG, Ingle AA. A novel Approach for ...
  • Jiang H, Lou B, Liao S. Medical Image Enhancement Method ...
  • Lim SH. Characterization of Noise in Digital Photographs for Image ...
  • Fan B, Zhou F, Han H. Medical image enhancement based ...
  • Hai Y, Li L, Gu J, editors. Image enhancement based ...
  • Sahani M, Rout SK, Mohan Satpathy L, Patra A. Design ...
  • Lee J, Pant SR, Lee H-S. An Adaptive Histogram Equalization ...
  • Anand S, Gayathri S. Mammogram image enhancement by two-stage adaptive ...
  • Hiroyasu T, Hayashinuma K, Ichikawa H, Yagi N. Preprocessing with ...
  • Kunnath NX, Lee SH. Meanshift segmentation guided spatially adaptive histogram ...
  • Farihan Mat Raffei A, Asmuni H, Hassan R, Othman RM. ...
  • Kuber MP, Dixit M, Silakari S. Improving brightness using Dynamic ...
  • Chen SD, Ramli AR. Contrast enhancement using recursive mean-separate histogram ...
  • Munteanu C, Rosa A. Towards automatic image enhancement using genetic ...
  • Caselles V, Lisani JL, Morel JM, Sapiro G. Shape preserving ...
  • Sengee N, Choi HK. Brightness preserving weight clustering histogram equalization. ...
  • Wang Z, Bovik AC. A universal image quality index. IEEE ...
  • نمایش کامل مراجع