NATIONAL BIBLIOGRAPHY NUMBER
Country Code
IR
Number
۳۸۰۴پ
LANGUAGE OF THE ITEM
.Language of Text, Soundtrack etc
فارسی
COUNTRY OF PUBLICATION OR PRODUCTlON
Country of publication
IR
TITLE AND STATEMENT OF RESPONSIBILITY
Title Proper
بخش‌بندی و استخراج ضایعات مغزی با ادغام مدالیته‌های مختلف تصاویر MRI و بر اساس الگوریتم‌های یادگیری ماشین
General Material Designation
[پایان‌نامه]
Parallel Title Proper
Brain lesions segmentation and extraction via multimodal MR images Fusion and machine learning algorithms
First Statement of Responsibility
/طناز اکبرپور
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
: مهندسی پزشکی
Date of Publication, Distribution, etc.
، ۱۳۹۸
GENERAL NOTES
Text of Note
زبان: فارسی
NOTES PERTAINING TO PUBLICATION, DISTRIBUTION, ETC.
Text of Note
چاپی - الکترونیکی
NOTES PERTAINING TO PHYSICAL DESCRIPTION
Text of Note
جدول
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
دکتری
Discipline of degree
مهندسی پزشکی- بیوالکتریک
Date of degree
۱۳۹۸/۰۴/۰۱
Body granting the degree
صنعتی سهند
SUMMARY OR ABSTRACT
Text of Note
بیماریMS ، یک بیماری پیش‌رونده، تهاجمی و ناتوان‌کننده سیستم اعصاب مرکزی است که معمولا به شکل ضایعه‌های موجود در ماده سفید مغز بروز می‌کند .تصاویر تشدید مغناطیسی، به‌دلیل کنتراست بالا، ابزار اساسی تشخیص ضایعات MS به‌شمار می‌روند .شناسایی ضایعه‌ها و تعیین حجم آن‌ها، در تشخیص و برسی بیماری حیاتی است .این کار معمولا به‌صورت دستی انجام می‌شود که کاری زمان‌بر و مستعد بروز خطاهای انسانی است .علاوه بر این، اطلاعات مربوط به بیماری در وزن‌های مختلف موجودند و برای شناسایی دقیق آن‌ها بایستی تمام وزن‌ها را بررسی کرد .در این رساله، هدف، ارائه روش‌هایی است که با استفاده از آن‌ها بتوان این ضایعه‌ها را با استفاده از اطلاعات موجود در وزن‌های مختلف به‌صورت خودکار تفکیک کرد .بدین منظور در ابتدا، اطلاعات موجود در وزن‌های مختلف را با استفاده از آنالیز چندمقیاسی و آنالیز اجزای اساسی ترکیب کرده و با حذف اطلاعات اضافی، اطلاعات مکمل را در یک تصویر جمع‌آوری می‌کنیم .در ادامه، روش دیگری برای بهبود میزان تجمیع اطلاعات با استفاده از الگوریتم بهینه‌سازی اجتماع ذرات ارائه می‌شود .در این روش، به‌جای اختصاص وزن‌های یکسان برای اطلاعات مختلف استخراج شده، از الگوریتم بهینه‌سازی ازدحام ذرات برای اختصاص وزن‌های بهینه به اطلاعات مختلف استفاده می-شود .در انتها، با تغییر الگوریتم اول، به نحوی که به‌توان آن را برای سه وزن تصاویر تشدید مغناطیسی استفاده کرد، و استفاده از مدل ترکیبی گوسی، ضایعه‌های MS را تفکیک می‌کنیم .بررسی های انجام شده نشان می‌دهد، ترکیب اطلاعات و سپس استخراج توصیف کننده‌های تصویر، در مقایسه با استخراج توصیف کننده‌ها و سپس ترکیب آن‌ها، کارکرد بهتری از خود نشان می‌دهد .علاوه بر این، مقایسه عملکرد روش پیشنهادی با پژوهش‌های انجام شده در گذشته، حاکی از برتری روش پیشنهادی است
Text of Note
Multiple sclerosis (MS) is a progressive, demyelinating disease of central nervous system. It is mostly defined by lesions in white matter of brain. Magnetic resonance imaging (MRI) is a standard tool in diagnosis of MS due to good contrast. Quantifying lesions is crucial in monitoring this illness. It is usually done manually which is time consuming and prone to human errors. Different types of information about illness are present in different channels of MRI image. To gain a deeper insight about state of disease, they should be examined separately. This is another issue that raises the need for automatic methods to extract white matter lesions. In this thesis, we present methods for this aim. The first proposed method intends to gather information from different channels into one image. To this aim, images are first transferred to spectral domain via shearlet transform. Principle component analysis is carried on each related pair to extract necessary weights. Averaging these weights, yields final weights for image fusion via principle component analysis method. Second proposed method targets the same task. The difference lays in using particle swarm optimization to find the optimum combination of weights for image fusion, instead of averaging them. Finally, the first method is modified to form a fused image out of three sources. Gaussian mixture model is exploited to extract white matter lesions from fused image. Results of quantitative and visual analysis prove outperformance of proposed method compared to previous work.
ba
PARALLEL TITLE PROPER
Parallel Title
Brain lesions segmentation and extraction via multimodal MR images Fusion and machine learning algorithms
TOPICAL NAME USED AS SUBJECT
بیماریMS
تصاویر تشدید مغناطیسی
تبدیل shearlet
الگوریتم بهینه‌سازی ازدحام ذرات
مدل ترکیبی گوسی.
UNCONTROLLED SUBJECT TERMS
Subject Term
Multiple sclerosis, Magnetic Resonance Imaging, Shearlet Transform, Particle Swarm Optimization, Gaussian Mixture Model
Subject Term
بیماریMS ، تصاویر تشدید مغناطیسی، تبدیلshearlet ، الگوریتم بهینه‌سازی ازدحام ذرات، مدل ترکیبی گوسی.
PERSONAL NAME - PRIMARY RESPONSIBILITY
اکبرپور، طناز
PERSONAL NAME - SECONDARY RESPONSIBILITY
شمسی، موسی، استاد راهنما
دانشور، سبلان، استاد مشاور
پورعیسی، مسعود، استاد مشاور
ORIGINATING SOURCE
Country
ایران
Date of Transaction
20230617
LOCATION AND CALL NUMBER
Call Number
پزشکی.م ،۱۰۰۳۱ ،۱۳۹۸
ELECTRONIC LOCATION AND ACCESS
Host name
ریواصت ف‌لتخم ی‌اهه‌تیلادم م‌اغدا اب ی‌زغم ت‌اعیاض ج‌ارختسا و ی‌دنبش‌خب MRI ن‌یشام ی‌ریگدای ی‌اهم‌تیروگلا س‌اسا رب و.pdf
Access number
عادی
Compression information
عادی
Date and Hour of Consultation and Access
3804.pdf
Date and Hour of Consultation and Access
pm10031.pdf
Bits per second
0
Contact for access assistance
ایمانی
Electronic Format Type
متن
File size
0
Record control number
پ۳۸۰۴
Public note
فارسی
نمایه‌سازی قبلی
pe
TF
92029
1
a
Y
