بخشبندی و استخراج ضایعات MS از روی تصاویر MRI مغز انسان مبتنی بر مدل ترکیبی گوسی
نام عام مواد
[پایاننامه]
عنوان اصلي به زبان ديگر
Segmentation of Multiple Sclerosis Lesions from Brain MRI Images using Gaussian Mixture Model
نام نخستين پديدآور
/سئودا حسینپور
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: مهندسی پزشکی
تاریخ نشرو بخش و غیره
، ۱۴۰۰
مشخصات ظاهری
نام خاص و کميت اثر
۱۰۲ص.
ساير جزييات
:
يادداشت کلی
متن يادداشت
زبان: فارسی
متن يادداشت
زبان چکیده: فارسی
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی - الکترونیکی
یادداشتهای مربوط به مشخصات ظاهری اثر
متن يادداشت
مصور، جدول، نمودار
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی پزشکی- بیوالکتریک
زمان اعطا مدرک
۱۴۰۰/۰۶/۰۱
کسي که مدرک را اعطا کرده
صنعتی سهند
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
از گذشته تاکنون، تصویربرداری پزشکی بهعنوان یک روش موثر برای مطالعهی آناتومی و فیزیولوژی بدن، در حال تحول و نوآوری بوده است .تصویربرداری تشدید مغناطیسی (MRI) یک روش غیرتهاجمی برای تصویربرداری با وضوح بالا از بافتهای داخلی بدن به خصوص مغز میباشد که تجزیه و تحلیل کمی این تصاویر برای تشخیص بسیاری از بیماریها و حالات عصبی مانند اختلالات تصلب چندگانه (MS) ضروری میباشد .استفاده از بخشبندی تصاویر که به معنای تقسیم اجزاء و ساختارهای مختلف آناتومیکی در مجموعهی مشخصی از کلاسها است، بهطور گسترده برای تشخیص و نظارت بر بیماران MS استفاده میشود .اما بخشبندی دستی ضایعات MS توسط متخصصان یک کار بسیار دست و پاگیر، زمانبر و ذهنی بوده و مستعد خطاهای انسانی است؛ پس، وجود الگوریتمهای بخشبندی خودکار برای این کار بسیار مفید میباشد .همچنین وجود آرتیفکتهایی مانند همپوشانی توزیع شدت بافتها، میدان بایاس، نویز، اثرات حجم جزئی و غیره عملکرد الگوریتمهای بخشبندی وابسته به شدت را تحت تأثیر قرار میدهند و یک مانع اصلی برای رسیدن به نتایج دقیق هستند .در این پایاننامه، ابتدا به بررسی تعدادی از الگوریتمهای بخشبندی مبتنی بر مدل ترکیبی گوسی پرداخته و سپس الگوریتم FGMMB بهعنوان مدل پیشنهادی اول برای بخشبندی ضایعات MS استفاده شد، اما با توجه به اینکه این الگوریتم وابسته به مقداردهیاولیه است، بهمنظور افزایش دقت در بخشبندی، در مدل پیشنهادی دوم برای بهینهسازی مقادیر اولیه مراکز خوشهای و میدان بایاس در FGMMB یک الگوریتم بهینهسازی ازدحام ذرات بهبودیافته (IPSO) بهکار گرفته شد که برای بهروزرسانی فاکتورهای یادگیری و وزن اینرسی بهترتیب از استراتژی ضرائب یادگیری نمایی خطی (LELF) و وزن اینرسی با کاهش نمایی (EDW) استفاده میکند .عملکرد الگوریتمها با استفاده از دو پایگاه داده شامل تصاویر شبیهسازی شده MR مغز سالم و تصاویر واقعی MRدارای ضایعات MS ارزیابی شد .مقایسه نتایج الگوریتمها و بخشبندی دستی حاکی از عملکرد خوب الگوریتمIPSO + FGMMBنسبت به سایر روشها میباشد، بهطوریکه مقادیر ۹۹/۳۴ ، ۸۶/۹۴ ، ۷۷/۳۹ و ۹۹/۵۲ بهترتیب برایACC ،DSC ، JI وSPE در بخشبندی ضایعات MS بهدست آمد؛ درنهایت اعمال یک مرحله پسپردازش، نتایج را بهبود بخشید .
متن يادداشت
From past to present, medical imaging has been evolving and innovating as an effective way to study the anatomy and physiology of the body. Magnetic resonance imaging (MRI) is a non-invasive method for high-resolution imaging of internal tissues, especially the brain. Quantitative analysis of these images is necessary to diagnose many diseases and neurological conditions such as multiple sclerosis (MS). The use of image segmentation, which means dividing different anatomical components and structures into a specific set of classes, is widely used to diagnose and monitor MS patients. But the manual segmentation of lesions by specialists is a very cumbersome, time-consuming and subjective task and is prone to human error; So, having automated segmentation algorithms is very useful for this. Also, the presence of artifacts such as tissue intensity distribution overlap, bias field, noise, partial volume effects, etc. affect the performance of intensity-dependent segmentation algorithms and is a major obstacle to achieving accurate results. In this thesis, we first investigated a number of segmentation algorithms based on the Gaussian mixture model and then, the FGMMB algorithm was used as the first proposed model for MS lesions segmentation. However, due to the fact that this algorithm is dependent on initialization, in order to increase the accuracy of segmentation, in the second proposed model for optimizing the initial values of cluster centers and bias field in FGMMB, an improved particle swarm optimization (IPSO) algorithm is used. It uses the strategy of Linear Exponential Learning Factors (LELF) and Exponent Decreasing inertia Weight (EDW) to Update the learning factors and the inertia weight, respectively. Performance of the algorithms was evaluated using two databases including MR simulated images of healthy brains and real MR images with MS lesions. Comparison of the results of the algorithms and manual segmentation indicate the good performance of the FGMMB + IPSO algorithm compared to other methods, so that the values of 99.34 , 86.94 , 77.39 and 99.52 were obtained for ACC, DSC, JI and SPE in MS lesion segmentation, respectively; Finally, applying a post-processing step improved the results.
خط فهرستنویسی و خط اصلی شناسه
ba
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
Segmentation of Multiple Sclerosis Lesions from Brain MRI Images using Gaussian Mixture Model
موضوع (اسم عام یاعبارت اسمی عام)
موضوع مستند نشده
تصویر برداری تشدید مغناطیسی
موضوع مستند نشده
بخشبندی، ضایعات MS
موضوع مستند نشده
میدان بایاس
موضوع مستند نشده
مدل ترکیبی گوسی
موضوع مستند نشده
بهینهسازی ازدحام ذرات بهبودیافته
اصطلاحهای موضوعی کنترل نشده
اصطلاح موضوعی
Magnetic resonance imaging, MS lesions, Segmentation, Bias field, Gaussian mixture model, Improved particle swarm optimization