سنجش فشرده در Fmri Compressed sensing in fMRI
- سال انتشار: 1396
- محل انتشار: دومین کنفرانس ملی تحقیقات بین رشته ای در مهندسی کامپیوتر، برق، مکانیک و مکاترونیک
- کد COI اختصاصی: IRCEM02_196
- زبان مقاله: فارسی
- تعداد مشاهده: 621
نویسندگان
دانشگاه صنعتی امیر کبیر, دپارتمان مهندسی پرتو پزشکی
چکیده
یکی از دشواری های حوزه پردازش سیگنال, تحلیل داده های مرکب از لحاظ بعد می باشد. به عبارتی سیگنال هایی که دارای تعدادی زیادی متغییر مستقل هستند به محاسبات کامپبوتری زیادی نیاز داشته و حافظه بزرگی برای انجام آنالیز و پردازش می طلبند. در مبحث کاهش بعد به فرآیندهایی می پردازیم که طی آن تعدادی از متغییر های رندم را با در نظر گرفتن دسته ای از متغییر های اصلی کاهش می دهیم. فرایند کاهش بعد به دو بخش انتخاب ویژگی و استخراج ویژگی تقسیم می شود. در بخش انتخاب ویژگی هدف پیدا کردن زیرمجموعه ای از متغییر های اصلی می باشد که این متغییر های اصلی را تحت عنوان ویژگی با صفت بیان می کنیم. در این بخش سه روش پیش رویمان داریم: fitting, wrapper و embedded و متناسب با نوع سیگنال و مشخصات متغییرهای آن با یکی از این روش ها مجموعه متغییر های اصلی را معیین می کنیم. در بخش استخراج ویژگی برای توصیف دسته ای از داده ها به کاهش مقداری از منابع سیگنال پرداخته و با روشهایی که در آنها ترکیبی از متغییرها ساخته می شود, مشکل تحلیل داده های مرکب را مرتفع می کنیم. لذا در بحث استخراج ویژگی روشهای مختلفی مثل Independent component analysis, isomap, PCA, Kernel PCA, particle least square مورد استفاده قرار می گیرد.بطور مشخص کاربرد استخراج ویژگی در پردازش تصویر شناسایی و ایزوله کردن متغییر هایی است که معرف شکل یا ویژگی خاصی از یک تصویر دیجیتال شده است. از این رو می توان آنالیزهایی همچون: edge detection, corner detection, blob detection, ridge detection, scale invariant, feature transform, motion correction را بروی سیگنال های تصویری انجام داد.سنجش فشرده CS یک چهار چوب ریاضیاتی تازه برای نمونه برداری داده ها و بازسازی سیگنال است که اجازه بازیابی سیگنال را از اندازه گیری های بسیار کمتر نسبت به نرخ نمونه برداری مورد نیاز برای نایکوییست با خطای قابل قبولی فراهم میسازد. برای استفاده از تیوری CS ،برقرارای دو شرط الزم است: الف: سیگنال در یک حوزه شناخته شده تنک باشد و ب: ماتریسهای زیر نمونه برداری با پایه های تنک ناهمدوس باشد، یعنی نسبت لوب اصلی پاسخ ضربه به لوب کناری از مقدار آستانه ای کمتر باشد MRI-CS. دارای این مزیت است که تصاویر MRI این دو شرط CS را برآورده میسازند: اول آنکه بسیاری از تصاویر MR دارای نمایش تنک در بعضی از حوزه تبدیل (مانند حوزه تصویر یا موجک) هستند و دوم آنکه کدینگ فوریه با برخی تبدیلهای تنک مانند پایه های استاندارد یا مقیاسهای مناسب تبدیل موجک ناهمدوس است. بنابراین، اعمال CS به MRI برای تسریع تصویر برداری بسیار مطلوب است و اکثر تصاویر MR را میتوان با استفاده از زیر نمونه برداری تصادفی دادههای فضای K با حل معادله بهینه سازی مقید غیر خطی بازیابی کرد.در این مقاله به مرور روش های مختلف فشرده سازی تصویر پرداخته و تمرکز خود را بر روی تیوری سنجش فشرده که بهترین و تازه ترین روش فشرده سازی تصویر می باشد, معطوف می کنیم و بر روی داده های حالت استراحت (rest state) اعمال می کنیم.کلیدواژه ها
فشرده سازی، سنجش فشرده، پزشکی از راه دورمقالات مرتبط جدید
- بررسی به کارگیری سیستم ذخیره سازی انرژی با استفاده از منابع انرژی تجدیدپذیر
- اقدامات لازم برای حفاظت از محیط زیست دریایی
- ارائه طرح مبتنی بر رایانش ابری جهت ارتقاء بهره وری صنایع خودروسازی (مطالعه موردی: مدیران خودرو)
- مروری بر تکنولوژی ماکرویو برای خردایش سنگ های کمیاب
- کاربرد و بکارگیری تکنولوژی های اینترنت اشیا ، یادگیری ماشین و پردازش تصویر در امنیت و کنترل خودرو
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.