۱۵۷۹۲پ
per
تشخیص ضایعات بیماری ام اس در تصاویر MRI مغز
/سیده ریحانه بیرنگ اسکوئی
: مهندسی برق و کامپیوتر
، ۱۳۹۴
چاپی
کارشناسی ارشد
مهندسی کامپیوتر گرایش هوش مصنوعی
۱۳۹۴/۰۶/۳۱
تبریز
اسکلروز چندگانه یک بیماری خودصایمنی سیستم عصبی مرکزی است که موجب آسیب به عایق غلاف میلین در اطراف آکسون مغز می-شود .این بیماری بیش از ۵/۲ میلیون نفر در سراسر جهان را تحت تأثیر قرار داده است .وجود روشی سریع و دقیق برای ارزیابی اندازه و تعداد ضایعات ام‌صاس در مغز، یک جزء کلیدی در ارزیابی پیشرفت این بیماری و اثربخشی دوره‌صهای درمانی است .تقسیم‌صبندی ضایعه‌صی ام‌صاس به صورت دستی معمولا به یک متخصص آموزش دیده نیاز دارد و بسیار کند و دشوار بوده و نتایج آن تا حدودی ذهنی است .از اینرو وجود سیستمی خودکار جهت استخراج ضایعات امری ضروری است .با این‌صکه روش‌صهای خودکار بسیاری ارائه شده است، اما نتایج تقسیم‌صبندی به اندازه‌صی کافی دقیق نمی‌صباشند .در نتیجه نیاز فراوانی به ایجاد یک روش قوی، سریع و دقیق برای بخش‌صبندی خودکار ضایعات ام‌صاس وجود دارد .در این پایان‌صنامه روشی جهت بهبود نتایج سیستم تقسیم‌صبندی ضایعات ام اس در تصاویر MRI ارائه شده است .این روش شامل قسمت‌صهای پیش‌صپردازش، استخراج ویژگی، کلاس‌صبندی و پس پردازش می-باشد .در قسمت پیش پردازش جمجمه حذف شده تا سرعت و عملکرد سیستم بهبود یابد .سپس با استفاده از خط مرکزی مغز، نیمکره‌صهای راست و چپ استخراج شده‌صاست .سپس با استفاده از نیمکره‌صهای سالم یک هیستوگرام استاندار تشکیل می‌صشود .هر نیمکره با این هیستوگرام مقایسه می‌صشود و اگر مطابق با آن نباشد، دارای ضایعه تشخیص داده می‌صشود .هر نیمکره که دارای ضایعه تشخیص داده شود وارد مرحله‌صی بعدی می‌صشود .قبل از استخراج ویژگی‌صها، هر نیمکره توسط یک پنجره‌صی لغزنده پنجره‌صبندی شده و ویژگی‌صها در هر پنجره استخراج می‌صشود .در قسمت استخراج ویژگی از دو روش HOG و ویولت گابور استفاده شده است .جهت بررسی دقیق نتایج حاصل از سه روش استخراج ویژگی شامل دو روش نظارت شده‌صی SVM و KNN (K=۱,۷) و یک روش بدون نظارتmeans - Kاستفاده شده است .نتایج حاصل از این روش نشان می‌صدهد بهترین روش استخراج ویژگی روش HOG و بهترین کلاسبند SVM می‌صباشد .دقت حاصل از این روش برابر ۱/۹۳ می‌صباشد .جهت بهبود دقت حاصل در قسمت پس‌صپردازش با استفاده از الگوریتم c میانگین فازی، ناحیه‌صی سفید مغز استخراج می‌صشود چرا که ضایعات ام‌صاس در این ناحیه قرار دارند و تنها ضایعاتی مورد قبول قرار می‌صگیرند که در این ناحیه قرار دارند .سپس از الگوریتم کانتور فعال استفاده شده است .منحنی اولیه‌صی این الگوریتم مرز ناحیه‌صی استخراجی توسط HOG و SVM در نظر گرفته شده است .با استفاده از این الگوریتم محل دقیق ضایعه استخراج می‌صشود .نتیجه استفاده از کانتور فعال برابر با ۸/۹۶ بدست آمده است که نسبت به حالت قبل بهبود مناسبی داشته است
Multiple sclerosis (MS) is an autoimmune disease of the central nervous system that causes destroying myelin sheaths around the axons in brain. It affects more than 2 million people in the world. A fast and accurate method for extracting the number and size of MS lesions in the brain is an important issue because with this information the progress of the disease and the efficacy of treatments can be considered. Manual segmentation is slow and difficult and the results can be subjective because usually requires the expertise of a doctor. While many automated methods are proposed, they do not provide sufficiently accurate segmentation results. There exists a need for a robust, fast, and accurate method for automatically segmenting MS lesions. This thesis presents the results of an effort to improve the segmentation results of an existing system for lesion segmentation in MRI images. It includes two different strategies for extracting features: HOG features and Gabor wavelet. For getting better compartments in this thesis three classifiers are used: SVM, KNN (K=1, 7) and k-means. Results show that the best method is HOG with SVM classifier. Its accuracy is 93.1 . As a post-processing method, first using FCM the white matter region of brain is extracted because MS lesions are located in this region. Lesions extracted and located in this regions are accepted as lesions. Then an active contour is used to improve the segmentation results. Its initial contour is assumed the contour of extracted regions from the results of the previous step. With this post-processing method, the accuracy of system is improved to 96.8
بیرنگ اسکوئی، سیده ریحانه
بالافر، محمدعلی، استاد راهنما
رضوی، سیدناصر، استاد مشاور
سیاه و سفید
نمایه‌سازی قبلی
