ارائه یک الگوریتم مناسب برای استخراج دقیق ناحیه ریه در تصاویرCT به منظور تشخیص کامپیوتری انواع نادول‌های ریوی
- سال انتشار: 1387
- محل انتشار: پنجمین کنفرانس ماشین بینایی و پردازش تصویر
- کد COI اختصاصی: ICMVIP05_035
- زبان مقاله: فارسی
- تعداد مشاهده: 2073
نویسندگان
آزمایشگاه تحقیقاتی پردازش سیگنالهای دیجیتال- دانشکده مهندسی برق و ک
آزمایشگاه تحقیقاتی پردازش سیگنالهای دیجیتال- دانشکده مهندسی برق و ک
آزمایشگاه تحقیقاتی پردازش سیگنالهای دیجیتال- دانشکده مهندسی برق و ک
آزمایشگاه تحقیقاتی پردازش سیگنالهای دیجیتال- دانشکده مهندسی برق و ک
چکیده
مرحله پیش پردازش در اکثر سیستم های CAD (تشخیص به کمک کامپیوت ر ) برای تشخیص اغلب بیماری های ریه به ویژه نادول های کوچک ریوی ، تقسیم بندی مناطق ریه می باشد. در این مقاله تکنیکی برای تقسیم بندی ریه در تصاویرCT براساس تبدیلWatershed ارائه شده است که سریع و دقیق است . ابتدا ناحیه ریه ها به کمک آستانه گذاری اولیه به صورت تقریبی تعیین می شود. با این کار هموارسازی مناطق داخلی ریه بدون ا ز دست دادن جزییات مرز ریه ها ممکن می شود .سپس تصویر توسط مارکرهای داخلی و خارجی ، نشان گذاری می شود. این مارکرها با تصویر گرادیان تصویر اصلی ترکیب شده و سپس برای مشخص کردن مرزهای ریه از آن تبدیلWatershedگرفته می شود. در این تکنیک لایه های بالایی و پایینی CTکه احتمالاً شامل ناحیه های کوچک متعلق به ریه هستند، به صورت خودکار شناسایی و با آنها به گونه متفاوتی رفتار می شود تا بدون توجه به لایهCT بتواند ناحیه مطلوب را شناسایی کند . در این روش مسایل مربوط به یافتن یک آستانه بهینه و جدا کردن ریه های راست و چپ ، که دو عمل مهم در اکثر روش های تقسیم بندی ریه می باشد و نیاز به زمان زیادی هم دارد، حذف شده است. الگوریتم بر روی تصاویرCT از پایگاه دادهLIDC اعمال شده است و نتایج حاصل از آن نشان دهنده سرعت، دقت و حساسیت این روش است.کلیدواژه ها
پردازش تصاویر پزشکی، تبدیل Watershed، تصاویر CT قفسه سینه، تقسیمبندی ریه، نادول‌های ریویمقالات مرتبط جدید
- NSO: Natural Selection Optimization for Adaptive k-Nearest Neighbor Imputation
- Statistical Model for Determining Maximum Stress in Coronary Vessel Walls caused by Palmaz-Schatz Stent
- Comparison of CNN, LSTM and Their Hybrid Models in Detecting Coronavirus Using Genome Sequences
- Low-light Image Enhancement Using Deep Neural Network: An Improvement on ZeroDCE++
- Stuctered Light ۳D Reconstruction by Charuco
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.