پایان نامه ارشد رایگان درباره دانش اولیه، روش پیمایش، الگوریتم بهینه سازی

دانلود پایان نامه

نهایی است. بدین ترتیب بخش بندی در طول تمام سیکل قلبی با استفاده از اصول مشابه قابل انجام است [75].

شکل 2-6 . بخشبندی بر مبنای اطلس [75]

در مطالعات، ساخت یک اطلس قلبی آناتومیکی مبتنی بر یک تصویر بخشبندی شده منفرد، بخشبندی میانگین بدست آمده از جمعی سالم داوطلب و یا مبتنی بر لاشه اطلس32 است [67]. اطلس یا مدل میتواند روی هر فرد جدید با استفاده از انطباق (NRR) non- rigid منطبق شود. NNR یک انتقال33 است که مسئول تغییر شکلهای الاستیک است. NRR شامل حداکثرسازی اندازه تشابه بین یک تصویر منبع S (اطلس) و یک تصویر هدف یا مرجع R (تصویر بخشبندی نشده) میباشد.
از آنجایی که اطلس و تصویر MR میتواند سطوح gray (خاکستری) غیر منطبق داشته باشند، شاخص تشابه بایستی فقط مسئول وابستگیهای آماری بین آنها باشد [76]. بیشترین شاخص مورد استفاده برای NRR اندازه ENMI می باشد. بر اساس توزیع فردی و سطوح خاکستری، ENMI به صورت زیر تعریف میشود:
(2-2) ENMI(S,R)=(H(s)+H(R))/H(S,R)
H(S) معرف آنتروپی حاشیهای34 H(S,R) , معرف آنتروپی جفت پیکسل یا همسایگی میباشد. حداکثر کردن فقط شاخص شباهت معادلاتی را فراهم میکند که ثبت تصویر را دچار خطا کرده و از اینرو مستلزم محدودیت اضافی است [75]. یک راه محدود کردن فضای انتقال به انتقالات پارامتری است [77]. راه دیگر یک ترم تنظیمی به شاخص شباهت مدل مایع ویسکوز کلاسیک و یا مدل آماری است [78]. در مدل اخیر، تغییرپذیری تصویر در بانک اطلاعات موارد بعنوان تنظیم کننده استفاده میشود. این تغییرات با مدلهای تصویر احتمالی شامل اطلس احتمالی مدل میشود. از اطلس احتمالی در آغاز پارامترهای الگوریتم EM هم استفاده شده است. بخشبندی بدست آمده پس از همگرایی الگوریتم EM از طریق MRF مدل میشود.

2-2-2-3-4- نتیجه گیری
با تحمیل کردن محدودیتها بر کانتورهای نهایی از طریق استفاده از یک مدل آماری، روشهای مبتنی بر دانش اولیه قوی میتواند بر مشکلات بخشبندی از پیش تعیین شده غلبه کند (عدم وضوح در مرزهای حفره، حضور عضلات پاپیلاری و تفاوتهای سطوح خاکستری میوکاردیوم). اما این غلبه به هزینه ساخت یک داده آموزشی بصورت دستی است که ساختار آن دو در تردید بوده همچنانکه تغییرپذیری بر اطلاعات اولیه وابسته است. SAM نمیتواند اطلاعاتی که در دادههای آموزشی نیستند، تقریب (تخمین) کند [67]. در مطالعهای محققان اندازه محدود آن را وارد کردن منبع دیگری از اطلاعات، بخشبندی دستی اولین فریم جبران کردند.
روش حاصل دقیقتر است ولی همچنان وابسته به مداخلات کاربر است. توجه کنید که الحاق بعد زمان و بعد سوم در زمان آسان و صریح نیست. در مورد AMM، افزایش بعد آن خطر تناسب بیش از حد35 را افزایش میدهد. چارچوب ثبت non- rigid بیشتر انحطاط پذیر است. در نتیجه ساختار اطلس تأثیر اندکی روی نتایج بخشبندی دارد از آنجائیکه فقط به عنوان نقطه آغازین برای تطبیق36 بکار میرود.
مقالههای مورد مطالعه که تعدادی از آنها در این فصل آورده شد، در جدول 2-1 مقایسه شده است که بر اساس شرایط آزمایشی آنها میباشد. توضیحات و اختصارات استفاده شده در جدول در ادامه توصیف شده است. بطن چپ/ بطن راست مشخص میکند که آیا نتایج بخشبندی در هر دو بطن و بطن راست و حدفاصل های اپیکاریال و اندوکاردیال ارائه شده است و یا فقط در خودکار قلب گزارش شده با خط تیره (-) مشخص شده است.
استفاده از اطلاعات بیرونی (E). اطلاعات بیرونی یکپارچه شده طی پردازش طبقهبندی میتواند دانش اولیه ضعیف بوده که میتواند بر اساس مدلسازی آناتومیک (AM) مثل (i) جنبه چرخشی37 بطن چپ، استفاده از خطوط شعاعی (ii) ارتباطات ساده فضایی (iii) استفاده از مدل بیضوی، سیلندری یا گلولهای باشد. فرضیات مبتنی بر تحرک و سختی فیبر کاردیوم میتواند در مدل بیوفیزیکال (BM) وارد شود. یک دانش اولیه قوی (SP) در مدل آماری نیز وارد میشود. مدلهایی که هیچ استفادهای از اطلاعات بیرونی نمیکنند با خط تیره (-) مشخص میشوند.
استفاده از اطلاعات تحرک (M) از آنجائیکه قلب عضوی متحرک است، تحرک آن میتواند در پردازش بخشبندی بکار رود. مابین رویکردهای متفاوت که نتایج بخشبندی آغازین (P) در سیکل قبلی با تکرار الگوریتمها در هر تصویر بدست میآید و رویکردهایی که بطور واضح تحریک را وارد آنالیز میکنند (M) تمایز قائل میشویم. مدلهایی که از ویژگی تحرک قلبی استفاده نمیکنند با خط تیره مشخص شده است.
ارزیابی دقت بخشبندی (ASA) عملکرد روش بخشبندی از طریق معتبر ساختن در مقابل دانش قبلی اندازهگیری میشود. استاندارد طلایی توسط متخصص تعیین میشود. هر چند ارزیابی بصری در برخی مطالعات فراهم شده است، دقت بخشبندی معمولاً از طریق محاسبه و مقایسه اندازههای کمی همچون سطح حفره (S)، حجم (V) و جرم (M) و کسر خروجی (EF) تعیین شود. دقت خطا نیز از طریق محاسبه میانگین فاصله بین آنها قابل دستیابی است که بعنوان خطای P2C در نظر گرفته میشود. همبستگی بین ردیابی دستی و روش خودکار و نیز تغییرات شخصی کاربر از طریق همبستگی خطی و آنالیز Bland-Altman تخمین زده میشود. آنالیز اخیر امکان مقایسه بین دو اندازه گیری را با ترسیم اختلافات در مقابل میانگین، فراهم میکند.

  دانلود پایان نامه ارشد با موضوعنقطه مرکز

جدول2-1 : مروری بر روشهای ارائه شده در 70 مقاله
Vail date
Calcul ate
ASA
M
U
LV/RV
Basic method principle
Auhors
Image-based
Segmentation with weak or no prior


P
A
M
U2
LV
DP
Gupta et al.(1993)
Image-based


P

U2
LV
DP
Gupta et al.(1995)

EF V
P
A
M
U1
LV
DP
Van
der Geest et al.(1994)

MEF V

SM

A
M
A
LVv
Thresholding
Goshtasby and Turner (1995)

S

RVv

EF VEF V


U1
LVv
Thresholding
Kaushikar et al.(1996)




U1
LVv
Thresholding
Weng et al (1997)

RVv

EF V

A
M
U1
LV
Thresholding
Nachtomy et al. (1998)

M

EF


U1
LV
Gradient
Waiter et al (1999)

P2C
V

A
M
U1
LV
DP
Lalande et al(1999)



U1
LV
DP
Fu et al (2000)

V


U2
LV
Split and merge
Cassen et al (2001)

EF V
P

U2
LV
Non rigid registration
Noble et al (2003)

V
P
A
M
U1
LVv
DP
Yeh al. (2005)



A
M

RVv
DP
Liu et al (2005)

P2CC



U2
LV
DP
Uzumcu et al (2006)

EF V
M

U1
LV RVv
Thresholding
Katouzian et al (2006)

S

A
M
A
LVv
Thresholding
Ln et al (2006)

P
A
M
U1
LV
Graph searching
Lee et al(2008)

EF V

M

A
M
A
LV
Shortest path and minimum
Jolly et al(2009)

S
P

Surf

A
M
U1
LV
MM.watershed transform
Cousty e(2010)

EF M
M
A
M

LVv
Clustering (FCM)
Boudraa (1997)

EF


U1
LV
Neural networks
Boudraa(1997)
Pixel classif

M
A
M
A
LVRVv
GMM.MRF
Stalidis et al (2002)



A
M

LV
Clustering (K-means)
Gering (2003)

EF S

A
M
A
LV
Fuzzy KNN and graphcut
Lynch et al(2006)

V

A
M
A
LV
GMM and DP
Kedenburg et al(2006)

  پایان نامه با کلید واژگانانقلاب مصر

EF V
P
A
M
A
LVv
Clustering
Padnekar et al(2006)

EF V

RVv

Cocosco et al(2008)


U1
LVv
Active contours

EF S
P

Ranganath(1995)
Dformable


U1
LV
Active contours+ region tem
Chakraborty et al(1996)
models

V


U1
LV
GAC
Yezzi al(1997)

V

B
M
U1
LV
3D deformable surfaces+GVF
Pham et al92001)



A M
U1
LV
GAC+GVF+region tem
Paragois (2002)


A
M
U1
LV
3D deformable surfaces
Zhukovnet al(2002)

P
B
M
U1
LV
Shape based matching
Papademetris et al(2002)

VM
P

U2
LV
Active contours+GVF
Santrarelli et al (2003)

V


U1
RVv
GAC
Battani et al(2003)

S
P
A
M
U1
LVRV
Active contours+region term
Pluempitiwiriyawej et al

2005

V
P
A
M
U1
LV
3D Active contours
Heiberget al(2005)

P2c

P
A
M
U1
LV
Active contours+GVF
Wang and jia 2006

P2c

P
A
M
U1
LV
GMM+Active
Jolly 2006

Contours+splines

P2c

EF V
P

U2
LVRVv
Discrete active contours
Hautvast et al2006

P

U1
LV
Active contours+fourier desc
Gotardo et al 2006

P
B
M
U2
LVRV
Registration
Sermesant et al2006

P
B
M
U2
LVRV
Registration
Yan et al 2007

P2c

S

A
M
U1
LV
MM+Active contours+GVF
ELBerbari et al.2007

P2c

M
A
M
A
LV
Level sets+ temporal def
Lynch et al.2008

Model

P
B
M
U2
LVRV
Deformable models
Biller et al. 2009

S

A
M
U2
LV
Level sets+overlap prios
Ben ayed et al 2009


SP

LV
Leveel sets and stochastic
Pargio et al. 2002
Shape prior

Repress


SP

LVV
PCA and energy min
Tsai et al. 2003

P2c


SP

LV
PCA and energy min
Kaus et al.2004

P2c

M
SP

LVRVV
Fourier desc+Bayesian
Senegas et al.2004

Approach

M
SP
U2
LV
PCA+Bayesian approach
Sun et al. 2005

P2c


SP

LV
Probabilistic map+Graphcut
Lin et al.2005

P2c


SP
U1
LV
Level sets+PDF
Lynch et al. 2006

P2c

S

SP
A
LV
AAM
Mitchell et al.2000

P2c


SP

LV
AAM
Stegmann and Nilson2001

P2c

S

SP
A
LV
Hybrid ASM/AAM

P2c

S
M
SP
A
LVRVV
2D+time AAM
Lelieveldt et al.2001

P2c

S

SP
A
LV
3D AAM
Mitchell et al.2002

P2c

VM

SP

LV
ASM with IOF
Ordas et al.2003

EF V

SP

LVRV
3D bi temporal AAm
Stegmann and Pedersen 2005

SP

LV

P2

V

SP

LV
3D ASM
Van Assen et al 2006

فصل سوم

روش ارائه شده برای بخشبندی بطن راست و چپ از
تصاویر MRI قلبی

3-1- مقدمه

طرح ارائه شده در این مطالعه بر اساس ترکیب روشهای ﺑﻬﻴﻨﻪﺳﺎزی دﺳﺘﻪ ذرات38 (pso) و پیمایشگر تصادفی39 بهبود یافته میباشد که برای بخشبندی خودکار و همزمان بطنهای راست و چپ از تصاویر قلبیMRI ارائه شده است.
در این روش ما ابتدا به وسیله روش PSO تصویر را بخشبندی میکنیم و سپس با اعمال عملیات ساختاری بخش بندیPSO را
ارتقا خواهیم داد. از ساختارهای عملیاتی برای حذف اجزای کوچک از تصویر و برای از بین بردن مشکل عضله پاپیلاری در بخشبندی بطن چپ استفاده میشود.
در بخشبندی بطن چپ یکی از مشکلاتی که با ان مواجه هستیم حضور عضلات پاپیلاری در آن میباشد که دارای تباین متفاوتی با بطن میباشد در حالی که در بخشبندی بطن چپ نباید این نواحی به عنوان نواحی مجزا از بطن تقسیمبندی شوند. روشی که برای حل این مشکل در این تحقیق ارائه شده است استفاده از ساختارهای عملیاتی میباشد. همچنین با استفاده از ساختارهای عملیاتی اجزای کوچک از تصویر حذف خواهند شد.
از تصویر خروجی این مرحله هم برای خودکار کردن روش نیمه خودکار پیمایشگر تصادفی و انتخاب نقاط برچسب دار استفاده میکنیم و هم از طریق تصویر بخشبندی شده در این مرحله بطن راست و چپ را در تصویر اصلی بخشبندی کرده و آن را به عنوان تصویر ورودی الگوریتم پیمایشگر تصادفی استفاده میکنیم، که باعث افزایش دقت و سرعت روش پیمایشگر تصادفی بهبود یافته میشود. نهایتا روش پیمایشگر تصادفی بهبود یافتهای که در این مطالعه ارائه شده است بخشبندی نهایی و همزمان بطن راست و چپ قلب را انجام میدهد. روند روش ارائه شده در شکل 1 نشان داده شده است.در ادامه، ابتدا در بخش (3-2) روش pso را با جزئیات معرفی میکنیم ، عملیاتهای ساختاری استفاده شده در این مطالعه را در بخش (3-3) بررسی کرده و نهایتا در بخش (3-4) به بررسی الگوریتم پیمایش تصادفی و الگوریتم پیمایش تصادفی بهبود یافته توسط این تحقیق میپردازیم. ضمنا تصویر پردازش شده در هر مرحله آورده شده است.

  پایان نامه با کلید واژگانطبقه حاکم

PSO

عملیات ساختاری

پیدا کردن بطن ها در تصویر اصلی پیدا کردن مرکز اجسام

الگوریتم پیمایش تصادفی

شکل3-1. روند روش ارایه شده
3-2- روش PSO

PSOیک الگوریتم بهینه سازی مبتنی بر جمعیت است که از پرواز گروهی پرندگان و شنای گروهی ماهیها و زندگی اجتماعی آنها الهام گرفته است. این روش اولینبار توسط Kennedy و Eberhart در سال 1995 ارائه شد.

شکل3-2. روش PSO

گروهی از پرندگان در فضایی به صورت تصادفی دنبال غذا میگردند تنها یک تکه غذا در فضای مورد بحث وجود دارد. هیچ یک از پرندگان محل غذا را نمیدانند. یکی از بهترین استراتژیها می تواند دنبال کردن پرندهای باشد که کمترین فاصله را تا غذا داشته باشد، این استراتژی در واقع جانمایه الگوریتم است. هر راه حل که در الگوریتم PSO که به آن یک ذره گفته میشود معادل یک پرنده در الگوریتم حرکت جمعی پرندگان میباشد. هر ذره یک مقدار شایستگی دارد که توسط یک تابع شایستگی محاسبه میشود. هر چه ذره در فضای جستجو به هدف- غذا در مدل حرکت پرندگان- نزدیکتر باشد، شایستگی بیشتری دارد. همچنین هر ذره دارای یک سرعت است که هدایت حرکت ذره را بر عهده دارد. هر ذره با دنبال کردن ذرات بهینه در حالت فعلی به حرکت خود در فضای مسئله ادامه میدهند. PSO به این شکل است

این نوشته در پایان نامه ها و مقالات ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.

پاسخی بگذارید