دانلود با لینک مستقیم و پر سرعت .
لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 10
خلاصه :
ناحیه بندی تصویر در مورد تصاویر تشدید مغناطیسی (MRI ) کمک بسیاری در تحلیل این تصاویر به پزشکان می کند ، ولی متاسفانه تصاویر MRI همواره همراه با نویز شدید ناشی از عملکرد اپراتور ، عملکرد دستگاه و یا نویز محیطی می باشند که باعث کاهش دقت در ناحیه بندی می شود .
یکی از روشهایی که در مورد ناحیه بندی بسیار استفاده می شود روش fuzzy c-means (fcm ) است که نسبت به نویز پایداری از خود نشان نمی دهد ، در این مقاله سعی در بهبود عملکرد FCM با استفاده از معیار نزدیکی پیکسل ها به هم ( همسایگی آنها ) و همچنین میزان شباهت ویژگی ها به هم ( میزان شباهت کنتراست ) می باشیم ، به این منظور دو ضریب ( و در تابع هزینه مربوطه به FCM تعریف کرده و با استفاده از الگوریتم ژنتیک سعی در پیدا کردن مقدار بهینه آنها خواهیم بود .
مقدمه :
امروزه یکی از کاربردهای پردازش تصاویر در مهندسی پزشکی ، تحلیل تصاویر پزشکی توسط کامپیوتر و تشخیص بیماری یا سلامت به طور هوشمند توسط کامپیوتر می باشد ، به منظور تحلیل هر چه بهتر این تصاویر نیاز به ناحیه بندی در تصاویر داریم و در واقع با ناحیه بندی تصاویر کار سیستم هوشمند را دقیق تر می کنیم و مشخص می کنیم که در هر ناحیه باید به دنبال چه چیزی باشد ، اما ناحیه بندی تصویر با توجه به طبیعت تصاویر پزشکی و اثرات نویز کاری دشوار می باشد .
تصویر برداری MRZ یکی از راههای تشخیص موارد معیوب و یا دچار مشکل در اندامهای مختلف است و در واقع MRZ تصاویر با رزولوشن بالا از اندامهای مختلف در اختیار ما می گذارد و به علت استفاده فراوان از این روش در تصویر برداری های پزشکی، امروزه تلاش زیادی در بهبود این تصاویر و به خصوص ناحیه بندی آنها انجام می شود.
روشهای مختلفی به منظور ناحیه بندی این تصاویر پیشنهاد شده اند مانند روشهای آستانه گذاری، توسعه یک ناحیه و روشهای کلاسترینگ روشهای آستانه گذاری به علت ساختار پیچیدۀ مغز بسیار پیچیده بوده و روشهای توسعه یک ناحیه هم دارای محدودیت های خاص خود می باشد. روشی که برای ناحیه بندی بسیار استفاده می شود روشهای کلاسترینگ مبتنی بر FMC می باشند.
مطالعات و شبیه سازیها نشان داده است که روش FCM در مورد تصاویر مغز نرمال عملکرد خوبی از خود نشان می دهد ولی در مورد مغزهای معیوب و دارای تومور عملکرد خوبی ندارد در واقع بزرگترین مشکل هم FCM حساسیت بسیار بالای آن نسبت به نویز می باشد و از آنجا که تصاویر پزشکی همواره همراه با نویز هستند میزان صعت عملکرد FCM کاهش می یابد.
روشی که در اینجا به منظور افزایش پایداری نسبت به نویز مطرح می شود استفاده از دو فاکتور اساسی در ناحیه بندی می باشد. فاکتور اول تفاوت ویژگی ها در پیکسل های همسایه و فاکتور دوم وابستگی مکانی پیکسل های همسایه است، پس در این حالت عمل ناحیه بندی تنها به ویژگی خود پیکسل وابستگی ندارد، بلکه به ویژگی و مکان پیکسل هیا همسایه هم بستگی پیدا می کند.
الگوریتمFCM :
فرض می کنیم تعداد بردارهای ورودی N باشد و آنها را با {X1,X2,…,XN} نمایش دهیم و همچنین تعداد کلاسهای موجود m باشد در این صورت برای هر دو بردار ورودی m تابع عضویت تعریف می کنیم که هر تابع عضویت بیانگر میزان عضویت آن بردار خاص به هر کدام از کلاسها می باشد، این توابع عضویت را با uij نمایش می دهیم که بیانگر میزان ورودی i ام به کلاس jام می باشد و شروط زیر را هم داریم:
با استفاده از Uij ها ماتریس U را می سازیم که ماتریس عضویت نامیده می شود، تابع هزینه را بصورت زیر تعریف می کنیم:
در رابطه فوق بیانگر مرکز کلاس j ام می باشد و ( jd(xi, بیانگر میزان عدم شباهت ورودی xi به کلاس j ام می باشد، هر چه میزان عدم شباهت کمتر باشد تابع عضویت Uij باید مقدار بزرگتری اختیار کند.
هدف ما در نهایت کمینه کردن تابع هزینه می باشد.
برای حل مساله بهینه سازی فوق تابع هزینه را بصورت زیر می نویسیم:
(اسکالر q بیانگر میزان فازی بودن است)
با مشتق جزئی گرفتن نسبت به rs u و برابر صفر قرار دادن مشتق rs u را بصورت زیر بدست می آوریم:
فاصله d را می توان بصورت ساده فاصله اقلیدسی و یا فا صله با هاتاچار و یا فاصلۀ ماهالاتوبیس تعریف کرد که ما برای سادگی از فاصله اقلیدسی استفاده می کنیم.
با مشتق گیری نسبت به j و برابر صفر قرار دادن داریم:
