بخشبندی دسته فیبرهای ماده سفید مغز به روش سطوح همتراز و با استفاده از ضرائب هارمونیک کروی
محل انتشار: پنجمین کنفرانس ماشین بینایی و پردازش تصویر
سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,500
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICMVIP05_088
تاریخ نمایه سازی: 29 اردیبهشت 1387
چکیده مقاله:
در مطالعات عصب شناسی مغز بخش بندی فیبرهای ماده سفید مغز به دسته فیبرها که درون هریک خواص محلی انتشار مشابه باشند، از اهمیت ویژهای برخودار است. در این مقاله روشی برای بخش بندی دسته فیبرها به کمک رشد یک ابرصفحه بر اساس خواص محلی سیگنال انتشار و با استفاده از ضرائب هارمونیک کروی با مرتبه 8 که سیگنال انتشار بدست آمده از تصویربرداری با رزولوشن زاویه ای بالا را بخوبی توصیف میکند، ارائه شده است. با استفاده از این ضرائب، یک معیار شباهت تعریف و بعنوان عبارت تابع سرعت در معادله همیلتون-ژاکوبی با حل عددی سطوح همتراز 2 بکار میرود. نشان داده شده است که این روش با توجه به نفوذ صحیح ابرصفحه در مناطق حاوی تقاطع دسته فیبرها مزایای عمده ای در مقایسه با روش های مبتنی بر معیار شباهت مبتنی بر تانسور دارد. بدون در نظرگرفتن هیچ فرضی در مورد مدل و یا نحوه انتشار، روش پیشنهادی با بکارگیری داده های سیگنال انتشار بجای تابع چگالی احتمال انتشار و یا نقشه های ظاهری انتشار که در روش های بخش بندی با رشد ابر صفحه محاسبه و مورد استفاده قرار میگیرد، نتایج واقعیتری بدست میدهد که این امر در اعمال روش بر روی داده های شبیه سازی و داده های واقعی به وضوح مشخص میباشد. بعلاوه حذف تعدادی از ضرایب هارمونیک که نسبت به تبدیلات فضائی ناوردا هستند، سبب کاهش حجم محاسبات و پایدارتر شدن روش پیشنهادی نسبت به نویز و اندازه گیری های پرت میشود.
کلیدواژه ها:
Fiber Bundle Segmentation - Spherical Harmonics Coefficients- Levelset- Diffusion MRI
نویسندگان
محمدرضا ناظم زاده
قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، دانشگ
اسماعیل داودی مجد
قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، دانشگ
حمید سلطانیان زاده
قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، دانشگ
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 :