پروژه استخراج ویژگی قطعه سازی جهت تشخیص تومور مغزی روش som همراه مقاله لاتین شبیه سازی شده

پروژه استخراج ویژگی قطعه سازی تشخیص تومور مغزی با روش som

فروش تقطیع تصویر MR شبکه عصبی SOM خوشه بندی آنتروپی گرادیان نرم افزار MATLAB

هدف اصلی تقطیع تصاویر MR مغزی، قطعه بندی تصاویر نواحی گوناگون نمایش ساختار آناتومیک میباشد. قطعه بندی تصاویر MRI امری جذاب میباشد نمایش دقیق ذرات سیاه، ذرات خاکستری، مایع مغزی نخاعی، راهی شناسایی اختلالات مغزی فراهم میکند میتوان مواردی زوال عقلی، اسکیزوفرنی، شیزوفرنی، آلزایمر غیره اشاره کرد. این پیاده سازی روشی غیرنظارتی تقطیع تصاویر MRI پایه شبکه عصبی SOM (Self Organizing Maps) خودسازمانده الگوریتم ژنتیک (Genetic Algorithm – GA) پرداخته است. طور کلی روش پیشنهادی شامل پنج مرحله است شامل تصویر ورودی، استخراج ویژگی، انتخاب ویژگی استفاده روش محاسبات تکاملی، طبقه بندی وکسل استفاده شبکه عصبی خودسازمانده خوشه بندی نگاشت تیز تصویر میباشد. علاوه این، مکانیزم خوشه بندی SOM پیشنهادی منظور نمایش تعیین حاشیه خوشه نظر داشتن فضای خروجی ارتباط آن فضای ورودی است.

این مکانیزم خوشه بندی داشتن ظرفیت روابط مکانی استفاده محاسبه تابع آنتروپی گرادیان (GE) گروه گروه کردن هر واحد فضای خروجی میپردازد. پروسه کامل هیچ گونه دانش پیشین زمینه انتساب کلاس وکسل استفاده نمی کند، بلکه یک روش کاملا نظارتی خودکار تقطیع تصویر MRI شناسایی مستقیم کلاس مختلف بافت تصویر میباشد. پیاده سازی روی تصاویر دیتاستی نام IBSR کار میکند نظر گرفتن ذره سفید (WM) مایع مغزی نخاعی برچسب استفاده CGMM روشی پرکاربرد نسبت روش قبل خواهد بود.

تصاویر MRI دلیل داشتن رزولوشن مکانی عالی کنتراست بافت عالی، طور گسترده استفاده واقع میگردند. همینطور تصاویر 3 بُعدی این زمینه (تصاویر دایکام DICOM پسوند .dcm)  راهی بهتر منظور تشخیص بیماری متعدد برنامه ریزی عمل جراحی فراهم میآورند. حال حاضر روش مدرن آنالیز تعداد زیادی تصاویر این زمینه میپردازند. مطالعه رابطه این تصاویر نظر داددن راجع آن تشخیص متخصص میسر خواهد بود. منظور تشخیص بهتر استفاده ابزارهای تشخیص کمک کامپیوتر CAD پیشنهاد میگردد. تقطیع تصاویر مغزی نمایش بهتر سه بخش ذرات سفید (White Matter – WM)، ذرات خاکستری (Grey Matter – GM) مایع مغزی نخاعی (Cerebrospinal Fluid – CSF) میپردازد بیماری زیادی ممکن است تصویر بکشد. روش پیشنهادی تقطیع تصویر MR مغزی این هدفی دوگانه دارد: یادگیری ویژگی بهتر طریق بهبود SOM پایه الگوریتم ژنتیک یک گروه قرار دادن وکسل خوشه گوناگون SOM طبق کلاس هایشان.

آموزش SOM استفاده یک فرآیند یادگیری رقابتی انجام شده است آن داشتن دانش قبلی نیاز ملاک نیست. این رو، SOM دیده شده منظور خوشه بندی نمونه داده خمینه (Manifold) داده ورودی استفاده است الگوریتم خوشه بندی SOM گروه گروه کردن واحدهای کوچکتر محاسبه آنتروپی مربوط هر نمونه SOM میپردازد. طور همزمان، فرآیند خوشه بندی اطلاعات مرتبط استفاده میکند، فقط فضای خروجی آن استفاده نمی کند بلکه یک فضای ورودی آن استفاده میشود.

روش پیشنهاد شده دارای پنج مرحله است شامل تصویر ورودی بخش پیش پردازش، استخراج ویژگی، انتخاب ویژگی استفاده روش محاسبات تکاملی، طبقه بندی وکسل استفاده شبکه عصبی خودسازمانده خوشه بندی نگاشت تیز تصویر برچسب گذاری SOM . بخش پیش پردازش تصویر ورودی سیستم، دارای مراحلی میباشد. حذف نویز پشت زمینه منظور فرکانس رادیویی زمان تصویربرداری منظور بهبود شناسایی زمان طبقه بندی این منظور یک ماسک دودویی استفاده شده است.

در مرحله استخراج ویژگی، چندین ویژگی قابل توجه تصویر MR منظور قرارگیری طبقه بندی استخراج میشود. تصویر صورت قطعه قطعه (Slice by Slice) پردازش میشود. استخراج ویژگی استفاده یک وکسل تداخل دارند روی هر قطعه پنجره (قاب) مشخص است، انجام میشود. اندازه این پنجره قاب مرحله پیش پردازش تعیین میشود. این ویژگی آماری مرتبه یک دو استفاده واقع شده اند. ویژگی مرتبه اول استخراج شده تصویر، شدت (منظور شدت نور روشنایی)، میانگین واریانس میباشد. شدت اشاره سطح خاکستری وکسل پنجره قابل مرکز تصویر دارد. میانگین واریانس توجه توزیع سطح خاکستری پنجره محاسبه میشود.

ویژگی آماری مرتبه دو ویژگی بافت استفاده واقع میگردد شامل انرژی (انرژی رنگی پخش رنگ روی تصویر)، آنتروپی، کنتراست، ASM حالات ثانویه زاویه ای، میانگین مجموع، همبستگی، حداکثر احتمال، برجسته سازی خوشه ها، عدم تشابه، تطبیق خوشه ها، واریانس مرتبه دوم میباشد.

پس استخراج ویژگی، تصویر اصلی مجموعه بردار ویژگی تبدیل میشود. این منظور کاهش ابعاد ویژگی الگوریتم ژنتیک استفاده شده توانایی شناسایی راه حل بهینه فضاهای جستجوی بسیار پیچیده داراست، البته شایان ذکر است زمان همگرایی آن منظور یافتن راه حلی بهینه استفاده یک جستجی تصادفی، کمتر است.

انتخاب ویژگی استفاده شبکه عصبی SOM الگوریتم ژنتیک بدین صورت است: تولید جمعیت اولیه ویژگی مشخص خواهد کرد، ارزیابی مقادیر هدف، SOM، محاسبه کیفیت SOM خطاهای توپولوژیک کوانتیزاسیون نشان میدهد، محاسبه مقدار فیتنس، حال قرارگیری حلقه الگوریتم ژنتیک بدین صورت انتخاب بهترین بخش مستقل توسط عملگرهای تکاملی (ژنتیک) استفاده میشود، تایید عملگرهای تکاملی منظور تولید جمعیت جدید (نسل جدید) این کار عملگر تقاطع جهش انجام میشود، ارزیابی یک مقدار جدید فیتنس، شبکه عصبی SOM درون حلقه الگوریتم ژنتیک، محاسبه کیفیت SOM منظور خطاهای توپولوژیک کوانتیزاسیون، محاسبه مقدار فیتنس، جایگزینی بدترین مستقل جمعیت توسط بهترین مستقل ها، سپس پایان چرخه ژنتیک خواهد بود.

پروژه ،استخراج ویژگی،قطعه سازی، تشخیص، تومور مغزی، روش som،متلب،پروژه متلب ،پردازش تصویر ،matlab،مهندسی پزشکی