عنوان

آشکارسازی و خوشه‌صبندی تومورهای مغزی در تصاویر ‮‭MRI‬ مغزی با استفاده از ویژگی‌صهای آماری

شماره

‭۱۷۳۷۵پ‬

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

آشکارسازی و خوشه‌صبندی تومورهای مغزی در تصاویر ‮‭MRI‬ مغزی با استفاده از ویژگی‌صهای آماری

نام نخستين پديدآور

/مرتضی محمدی فام

نام ناشر، پخش کننده و غيره

: مهندسی برق وکامپیوتر

تاریخ نشرو بخش و غیره

، ‮‭۱۳۹۵‬

نام توليد کننده

، افشاری

متن يادداشت

چاپی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی برق - مخابرات

زمان اعطا مدرک

‮‭۱۳۹۵/۱۰/۲۲‬

کسي که مدرک را اعطا کرده

دانشگاه تبریز

متن يادداشت

تومور مغزی یکی از شایع‌ترین بیماری‌هایی است که سبب مرگ‌ومیر در اطفال و بزرگ‌سالان می‌شود بنابراین تشخیص زودهنگام این بیماری امری مهم به شمار می‌رود .امروزه ‮‭MRI‬ روشی امن، بدون درد و بدون تشعشع یونیزان، برای تشخیص تومور مغزی است و به‌دلیل برخورداری از وضوح و کنتراست بالا برای بررسی بافت‌های داخلی انسان مخصوصا بافت‌های نرم، مانند مغز مناسب است .تومورهای مغزی دارای تنوع زیاد در اندازه، شکل، بافت و موقعیت مکانی هستند .طبقه‌بندی غیرخودکار و توسط پزشکان متخصص، عملی زمان‌بر و مبتنی بر تفکر شخصی و تغییرپذیر با تغییر پزشک است بنابراین طبقه‌بندی خودکار، روشی جایگزین است .هدف این پایان‌صنامه، ارائه یک روش مناسب برای طبقه‌صبندی خودکار تومور در تصاویر ‮‭MRI‬ مغزی است .در این پایان‌صنامه یک روش جدید برای طبقه‌صبندی تومورهای مغزی با استفاده از ادغام ویژگی‌صهای دو نوع از تصاویر ‮‭MRI‬ مغزی‮‭T۱‬ - ‮‭w‬و ‮‭Flair‬ با کنتراست‌صهای متفاوت، پیشنهاد شده است .روش پیشنهادی شامل پیش‌صپردازش و استخراج ویژگی‌صهای آماری و بافتی از دو نوع از تصاویر ‮‭MRI‬ مغزی‮‭T۱‬ - ‮‭w‬و ‮‭Flair‬ و سپس ادغام آن ویژگی‌صها با استفاده از الگوریتم تحلیل همبستگی کانونی است .سپس با استفاده از الگوریتم تحلیل مؤلفه‌صهای اصلی، ابعاد ماتریس‌صهای ویژگی کاهش داده می‌صشود .با استفاده از سه طبقه‌صبندی‌صکننده نزدیک‌صترین همسایگی، شبکه‌صهای عصبی احتمالی و ماشین بردار پشتیبان ناحیه تومور تعیین می‌صشود .برای افزایش قابلیت اطمینان روش ارائه‌شده از الگوریتم اعتبارسنجی تقاطعی ‮‭k‬ دسته‌صای با مقادیر مختلف ‮‭k‬ استفاده می‌صشود .نوآوری روش پیشنهادی، استفاده از ادغام ویژگی‌صهای دو نوع از تصاویر ‮‭MRI‬ مغزی‮‭T۱‬ - ‮‭w‬و ‮‭Flair‬ است .این فرآیند، برای تصاویر ‮‭MRI‬ مغزی شبیه‌صسازی‌صشده و واقعی اجرا شده و میانگین معیارهای حساسیت، مشخص‌صکنندگی و صحت برای هر سه طبقه‌صبندی‌صکننده با استفاده از ‮‭k‬ بار تکرار فرآیند طبقه‌صبندی، محاسبه می‌صشود .در پایان، نتایج طبقه‌صبندی تومور مغزی با مرجع موجود مقایسه شده است .نتایج موجود، نشان‌صدهنده کارایی بهتر روش پیشنهادی نسبت به روش مرجع در تصاویر ‮‭MRI‬ مغزی شبیه‌صسازی‌صشده و واقعی است .روش پیشنهادی، باعث افزایش معیارهای سه‌صگانه در هر دو نوع از تصاویر ‮‭MRI‬ مغزی شبیه‌صسازی‌صشده و واقعی نسبت به روش مرجع شده و مخصوصا معیار حساسیت در تصاویر ‮‭MRI‬ مغزی واقعی را افزایش داده است .مزیت دیگر روش پیشنهادی، بالا بودن قابلیت اطمینان نتایج به‌صدست آمده به‌صدلیل استفاده از الگوریتم اعتبارسنجی تقاطعی ‮‭k‬ دسته‌صای و استفاده از پایگاه داده‌صای با تعداد تصاویر بیشتر است .یکی دیگر از دستاوردهای روش پیشنهادی، شناسایی تومورهای مغزی با اندازه‌صهای کوچک و کاهش پیچیدگی و حافظه مورد نیاز برای اجرای فرآیند طبقه‌صبندی است

متن يادداشت

Brain tumor is one of the most common diseases that causes mortality among children and adults in the world; so early detection of the brain tumor is very important. Nowadays, Magnetic Resonance Imaging (MRI) is extensively used for the diagnosis of neurological diseases. Currently available procedures ensure safe, painless and non-invasive investigation of the human body and are well suited for studying diseases of the nervous system due to the high spatial resolution, the high soft tissue contrast, and the multispectral characteristics of MR images. Brain tumors vary in size, shape, color, and location. Manual segmentation of tumors in MR images by experts is time-consuming, subjective and susceptible to inter-expert variability; therefore, automatic segmentation is needed as an alternative to manual segmentation. The aim of this thesis is to present a method for automatic classification of brain tumor in brain MRI images. In this thesis a new method for classification of brain tumors using feature fusion of two types of T1-w and Flair modality of MRI images with different contrasts is proposed. The proposed method includes pre-processing and extraction of textural and statistical features of two types of T1-w and Flair modality of MRI images and then fusion of these features using canonical correlation analysis algorithm. The size of the feature matrix is reduced using principal component analysis algorithm. Tumor area is determined using the nearest neighbor, probabilistic neural networks and support vector machine classifiers. K-fold cross validation algorithm with different k values is used to increase reliability of the proposed method. Innovation of the proposed method is feature fusion of two types of T1-w and Flair modality of MRI images. This process is applied to simulated and real brain MRI images and then the average of three criteria (sensitivity, specificity and accuracy) is calculated for each classifier using k times repetition of the process of classification. Finally, the results of the proposed method for brain tumor classification are compared with available reference. The results indicate the effectiveness of the proposed method is better than the reference method in simulated and real brain MRI images. The proposed method increases the three criteria in both simulated and real brain MRI images than the reference method and especially sensitivity of the real brain MRI images has increased. One of the advantages of the proposed method is that the results have high reliability because of using k-fold cross validation algorithm and a database with more MRI images. Another achievement of the proposed method is detection of small sized brain tumors with complexity and memory reducing in classification process

مستند نام اشخاص تاييد نشده

محمدی فام، مرتضی

مستند نام اشخاص تاييد نشده

سیدعربی، میر هادی، استاد راهنما

مستند نام اشخاص تاييد نشده

مشگینی، سعید، استاد مشاور

يادداشت عمومي

سیاه و سفید

وضعیت فهرست نویسی

نمایه‌سازی قبلی