IR
۳۸۲۰پ
فارسی
IR
تشخیص خودکار لندمارک‌های سطحی ساختارهای آناتومیکی پشت بدن با استفاده از پردازش تصویر
[پایان‌نامه]
Automatic Detection of Surface Landmarks of Anatomical Structures of Back Using Image Processing
/معصومه دلگرمی
: مهندسی پزشکی
، ۱۳۹۸
۹۰ص.
:
زبان: فارسی
زبان چکیده: فارسی
چاپی - الکترونیکی
مصور
کارشناسی ارشد
مهندسی پزشکی- بیوالکتریک
۱۳۹۸/۰۶/۰۱
صنعتی سهند
ناهنجاری در ستون فقرات و نافرمی صفحه ساجیتال، باید هرچه زودتر آشکار شوند تا اقدامات پیشگیرانه و درمان برای جلوگیری از پیامدهای بالینی عمده، بکار گرفته شود .برای پشتیبانی از مستندسازی و گزارش‌دهی شدت تغییر شکل سطح پشت بدن و جلوگیری از قرارگیری در معرض اشعه‌ی ایکس، راهکاری با استفاده از تحلیل داده‌های توپوگرافی رویه‌ی پشت بدن انسان، معرفی شده است .این رویکرد برای تشخیص و مکان‌یابی خودکار لندمارک‌های آناتومیکی می‌تواند نتایج تکرارپذیرتر حاصل کند و کل روال را تسریع بخشد .در روش پیشنهادی، از شبکه‌های عصبی کانولوشنی به عنوان ابزاری برای استخراج نقاط کلیدی مورد نظر استفاده شده است .این الگوریتم از ادغام یک شبکه‌ی عصبی کانولوشنی از قبل آموزش داده شده به نام شبکه‌یResNet -۱۵۲ با یک شبکه‌ی عصبی کانولوشنی عظیم سه‌گانه تشکیل شده است و پس از آموزش شبکه، مکان‌های نهایی لندمارک‌ها را تشخیص می‌دهد .موقعیت‌های بدست آمده با استفاده از این الگوریتم با توجه به دقت لندمارک‌های دستی توسط اپراتور، اعتباریابی می‌شوند .در این پژوهش از سنسور کینکت شرکت مایکروسافت برای تهیه‌ی تصاویر عمق از سطح پشت بدن بهره گرفته شده است .به‌منظور ارزیابی قابلیت روش پیشنهادی، این الگوریتم بر روی ۷۹ داده‌ی ارزیابی و ۴۰۰ داده‌ی آموزشی عمق از پایگاه داده‌ی جمع‌آوری شده در آزمایشگاه فیزیولوژی دانشگاه صنعتی سهند، اعمال شده و نتایج به دست آمده حاکی از آن است که ۸۶/۹ از نقاط به درستی تشخیص داده شده (PDJ)و ۸۰ نیز به درستی تخمین زده شده‌اند (PCK)که این میزان در مقایسه با روش‌های مشابه دیگر از اعتبار بسیار خوبی برخوردار است گرچه در این تحقیق با کمبود داده‌ی انسانی مواجه بودیم
Spinal aberration and sagittal plane deformities should be identified as soon as possible to employ preventive and treatment measures to prevent major clinical consequences. To support the documentation and reporting the severity of the back surface deformity and preventing of exposure to X-rays, a solution has been introduced by using the analysis of the human body back procedures topographic data of. This approach can produce more repeatable results for automatic detection and localization of anatomical landmarks. Also, capability of this attitude is accelerating the whole procedure. In this method , convolutional neural networks are used as a tool to extract the key points.The algorithm consists of a pre-trained convolutional neural network called ResNet-152 with a large convolutional neural network. after training, these networks detect the final locations of landmarks. The obtained positions from this algorithm are validated by the operator due to the accuracy of the manual landmarks. In this study, Microsoft's Kinect sensor was used to capture depth images from the back surface. In order to evaluate the capability of the proposed method, this algorithm was applied to 79 depth assessment data from database collected in the Physiology Laboratory at Sahand University of Technology and the results showed that 86.9 and 80 of the keypoints has been correctly diagnosed and estimated, respectively. this value has good agreement compared to other methods, although we were faced with the lack of human data in this study
ba
Automatic Detection of Surface Landmarks of Anatomical Structures of Back Using Image Processing
یادگیری عمیق
لندمارک‌های آناتومیکی
تشخیص خودکار
رویه‌ی پشت بدن
سنسور کینکت
Deep Learning, Anatomical Landmarks, Automatic Detection, back of surface, Kinect-v2, Convolutional Neural Networks
یادگیری عمیق، لندمارک‌های آناتومیکی، تشخیص خودکار، رویه‌ی پشت بدن، سنسور کینکت، شبکه‌های عصبی کانولوشنی
دلگرمی، معصومه
شمسی، موسی، استاد راهنما
ابراهیمی، افشین، استاد راهنما
ایران
20230617
پزشکی.م ،۱۰۰۳۲ ،۱۳۹۸
ریوصت ش‌زادرپ زا ه‌دافتسا اب ن‌دب ت‌شپ ی‌کیموتانآ ی‌اهراتخاس ی‌حطس ی‌اهک‌رامدنل راکدوخ ص‌یخشت.pdf
عادی
عادی
3820.pdf
pm10032.pdf
0
ایمانی
متن
0
پ۳۸۲۰
فارسی
نمایه‌سازی قبلی
pe
TF
92029
1
a
Y
