قطعهبندی تصاویر با استفاده از خوشهبندی FCM با تمرکز بر کاربرد بهینهسازی چند هدفه
نام نخستين پديدآور
آرمان زعفرانچی
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
مهندسی برق و کامپیوتر
تاریخ نشرو بخش و غیره
۱۴۰۰
مشخصات ظاهری
نام خاص و کميت اثر
۷۵ص.
مواد همراه اثر
سی دی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی کامپیوتر گرایش هوش مصنوعی
زمان اعطا مدرک
۱۴۰۰/۰۸/۲۶
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
امروزه تکنولوژی نقش غیرقابل انکاری در زندگی انسانها دارد و پیشرفت روزافزون هوش مصنوعی سرعت مضاعفی به سیر تکامل فناوری داده است. در حیطهی هوش مصنوعی نیز پردازش تصویر در مسیر نزدیک شدن عملکرد ماشینها به انسان، نقش قابل توجهی داشته است. کشورهای توسعه یافته از پردازش تصویر در صنایع، پزشکی، زیستشناسی، کشاورزی و ... به صورت گسترده استفاده میکنند و روز به روز با گسترش پردازش تصویر، کاربردهای آن در زندگی روزمره مشهودتر میشود. از جمله این کاربردها میتوان به تشخیص بیماریها بر اساس تصاویر MRI و CT اشاره کرد. تشخیص بیماریهایی مانند تومور مغزی، ام اس، سرطان سینه و ... به کمک سیستمی هوشمند میتواند کمک شایانی برای پیشبرد مراحل درمانی داشته باشد. پردازش تصاویر پزشکی یکی از چالشهای اساسی محققان در سالهای اخیر بوده است و تمامی این روشها سعی در قطعهبندی دقیقتر و مقابله با نویزهای حاصل از خطای تصویربرداری داشتهاند. روشهای یادگیری عمیق در طول این سالها نتایج قابل قبولی به دست آورده اما به دلیل نزدیکی نوع بافتهای مغز و تومور به یکدیگر و همچنین شکل نامتقارن تومور، جهت بهبود نتایج میتوان از روشهای دیگری همچون بهینهسازی کمک گرفت تا با بهبود قطعهبندی حاصل از تصاویر پزشکی بتوان تصویری قابل اتکا از شکل کلی تومور به دست آورد تا در مسیر درمان و جراحی کمک شایانی به پزشک معالج بکند. بهعلاوه تشخیص پزشک از تصاویر پزشکی از جمله مباحث چالش برانگیز محسوب میشود به صورتی که خطای تشخیص پزشک، نویز و پارازیت حاصل از دستگاههای تصویربرداری مختلف میتواند در سیر درمانی بیمار به شکل جدی موثر باشد. به خصوص امروزه با گسترش بیماریهای همچون سرطان، تصاویر پزشکی به ابزاری قدرتمند برای مقابلهی زود هنگام با این بیماری تبدیل شده است. در این پایاننامه هدف بر این است که با استفاده از روش خوشه¬بندی فازی شکل کلی تومور از قسمتهای دیگر تصویر جدا شود در مرحله¬ی بعد با به کار بستن الگوریتم بهینه¬سازی چند هدفه NSGA3 نقاط بهینه¬ی مربوط به قسمت¬های داخلی تومور بر روی هیستوگرام حاصل شود که این نقاط با روش آستانهگذاری چند سطحی باعث قطعه¬بندی اجزای داخلی تومور خواهد شد
متن يادداشت
Today, technology has an undeniable role in human life, and the increasing development of artificial intelligence has accelerated the evolution of technology. In the field of artificial intelligence, image processing has played a prominent role in bringing machines application closer to humanoid functions. Developed countries widely use image processing in industry, medicine, biology, agriculture, etc., and with the expansion of image processing, its applications in everyday life are becoming more apparent.One of these applications is the diagnosis of diseases based on MRI and CT images. Diagnosis of diseases such as brain tumors, MS, breast cancer, etc. with the help of an intelligent system can be of great help in advancing the treatment process. Medical image processing has been one of the main challenges for researchers in recent years, and all of these methods have tried to segment more accurately and deal with the noise caused by imaging error. Deep learning methods have achieved acceptable results over the years, but due to the proximity of brain tissue and tumor to each other and the asymmetric shape of the tumor, other methods such as optimization can be used to improve the results of the segmentation and obtained a reliable picture of the overall shape of the tumor in order to help the treating physician in the course of treatment and surgery.In addition, the doctor's diagnosis of medical images is one of the most challenging topics, so that the doctor's diagnosis error, noise and noise from various imaging devices can be seriously effective in the patient's course of treatment. Especially today, with the spread of diseases such as cancer, medical images have become a powerful tool for early treatment of this disease.In this dissertation, the aim is to separate the overall shape of the tumor from other parts of the image using fuzzy clustering method. In the next step, by applying the NSGA3 multi-objective optimization algorithm, the optimal points related to the internal parts of the tumor are obtained on the histogram, which will segment the internal components of the tumor by multi-level thresholding method
عنوانهای گونه گون دیگر
عنوان گونه گون
Image Segmentation using FCM Clustering with approach of Many Objective Optimization
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )