عنوان

تشخیص خودکار لندمارک‌های سطحی ساختارهای آناتومیکی پشت بدن با استفاده از پردازش تصویر

Country Code

IR

Number

۳۸۲۰پ

.Language of Text, Soundtrack etc

فارسی

Country of publication

IR

Title Proper

تشخیص خودکار لندمارک‌های سطحی ساختارهای آناتومیکی پشت بدن با استفاده از پردازش تصویر

General Material Designation

[پایان‌نامه]

Parallel Title Proper

Automatic Detection of Surface Landmarks of Anatomical Structures of Back Using Image Processing

First Statement of Responsibility

/معصومه دلگرمی

Name of Publisher, Distributor, etc.

: مهندسی پزشکی

Date of Publication, Distribution, etc.

، ۱۳۹۸

Specific Material Designation and Extent of Item

۹۰ص.

Other Physical Details

:

Text of Note

زبان: فارسی

Text of Note

زبان چکیده: فارسی

Text of Note

چاپی - الکترونیکی

Text of Note

مصور

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی پزشکی- بیوالکتریک

Date of degree

۱۳۹۸/۰۶/۰۱

Body granting the degree

صنعتی سهند

Text of Note

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

Text of Note

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

Parallel Title

Automatic Detection of Surface Landmarks of Anatomical Structures of Back Using Image Processing

یادگیری عمیق

لندمارک‌های آناتومیکی

تشخیص خودکار

رویه‌ی پشت بدن

سنسور کینکت

Subject Term

Deep Learning, Anatomical Landmarks, Automatic Detection, back of surface, Kinect-v2, Convolutional Neural Networks

Subject Term

یادگیری عمیق، لندمارک‌های آناتومیکی، تشخیص خودکار، رویه‌ی پشت بدن، سنسور کینکت، شبکه‌های عصبی کانولوشنی

دلگرمی، معصومه

شمسی، موسی، استاد راهنما

ابراهیمی، افشین، استاد راهنما

Country

ایران

Date of Transaction

20230617

Call Number

پزشکی.م ،۱۰۰۳۲ ،۱۳۹۸

Host name

ریوصت‍ ش‌زادرپ‍ زا ه‌دافتسا اب‍ ن‌دب‍ ت‌شپ‍ ی‌کیموتانآ ی‌اهراتخاس‍ ی‌حطس‍ ی‌اهک‌رامدنل‍ راکدوخ‍ ص‌یخشت‍.pdf

Access number

عادی

Compression information

عادی

Date and Hour of Consultation and Access

3820.pdf

Date and Hour of Consultation and Access

pm10032.pdf

Bits per second

0

Contact for access assistance

ایمانی

Electronic Format Type

متن

File size

0

Record control number

پ۳۸۲۰

Public note

فارسی

نمایه‌سازی قبلی

pe

TF

92029

1

a

Y