ناحیهبندی یک گام ابتدایی و بسیار مهم در مباحث پردازش تصویر است که نقش اساسی در تشخیص، طرح ریزی جراحی، و ارزیابیهای مختلف پزشکی ایفا میکند. ناحیهبندی تصاویر پزشکی به دلیل ناهمگونی بافت، اثر حجم جزئی، نویز، آرتیفکت و تنوع ساختار بیماریهای مختلف در بیماران گوناگون با مشکل مواجه است. برای حل مشکلات مذکور روش مدلهای دگرشکل پذیر سطح پیشنهاد شده است. هدف از این رساله بررسی مدلهای دگرشکل پذیر برای ناحیه بندی تصاویر پزشکی و ارائه الگوریتم مناسب به منظور رفع پاره ای از مسائل و مشکلات مذکور در این زمینه است.
در میان مدلهای دگرشکلپذیر در ناحیهبندی تصویر، مدل دو مرحلهای سریع FTC، یک مدل کارآمد و همچنین سریع میباشد. اما کارایی این مدل بسیار وابسته به منحنی اولیه میباشد بطوریکه نیازمند مداخله کاربر برای انتخاب این منحنی است. یک متد جدید در این رساله برای تسهیل در ناحیهبندی تصاویر پزشکی پیشنهاد شده است که ترکیبی از الگوریتم ناحیهبندی فازی مبتنی بر کرنل با محدودیت مکانی SKFCM و مدل FTC است. این رویکرد شامل دو مرحله پی در پی میباشد. ابتدا، از متد SKFCM بمنظور انتخاب خودکار منحنی اولیه برای مرحله بعد استفاده میشود. سپس مدل FTC برای ناحیهبندی تصویر توسط تکامل منحنی مبتنی بر مجموعه سطح بکار گرفته میشود. درجه عضویت فازی علاوه بر انتخاب منحنی اولیه، در عبارت سرعت مبتنی بر داده مدل FTC برای بالا بردن قدرت و دقت الگوریتم پیشنهادی آمیخته گردید. ارزیابی عملکرد الگوریتم پیشنهادی در چندین نوع متفاوت از تصاویر پزشکی انجام شده است. نتایج تجربی مزایای الگوریتم پیشنهادی را در دقت، زمان محاسباتی و مقاومت در برابر نویز در مقایسه با پنج متد رایج دگرشکلپذیر برای ناحیهبندی تصاویر پزشکی نشان میدهد که عمل ناحیهبندی، با دقتی برابر با 95% در تصاویر نویزی با واریانس گاوسی 5% انجام میگیرد.
تز ارشد - ناحیه بندی سریع و خودکار تصاویر پزشکی با استفاده از متد SKFCM و مجموعه سطح - فایل ورد، پاورپوینت به همراه پیاده سازی