ارائه ی یک روش قطعه بندی جدید مبتنی بر مدل میدان تصادفی مارکوف برای تعیین نواحی مشکوک در تصاویر MRI سینه

Publish Year: 1390
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 3,718

This Paper With 7 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ICMVIP07_062

تاریخ نمایه سازی: 28 مرداد 1391

Abstract:

سرطان سینه یکی از شایع ترین بیماری ها در بین زنان ایرانی محسوب می شود. تصاویر MRI نقش بسیار مهمی را در مراحل مختلف درمان این سرطان ایفاء می کنند. اما قطعه بندی دقیق این تصاویر به علت غیریکنواخت بودن مقادیر شدت روشنایی و وجود نویز در آنها، همچنان به عنوان یک مسئله ی چالش برانگیز مطرح است. مدل میدان تصادفی مارکوف، یک مدل آماری است که در بسیاری از مسائل مربوط به قطعه بندی تصاویر پزشکی مورد استفاده قرار می گیرد. چراکه این روش با استفاده از تعریف سیستم همسایگی، قادر است تاثیر آرتیفکت های موجود در قطعه بندی را کاهش داده و مسئله قطعه بندی را به یافتن یک فیلد برچسب گذاری با انرژی بهینه تبدیل نماید. اما این روش دارای دو ضعف اصلی است، 1- پیچیدگی محاسباتی و 2- وابسته بودن نتایج به پارامترهای مدل. جهت غلبه بر مشکلات مذکور، ما در این مقاله روش بهبود یافته ی میدان تصادفی مارکوف (I-MRF) را ارائه می کنیم. در این روش برخلاف نوع قراردادی آن، ما از روش های تکراری ICM و SA جهت تخمین برچسب هر یک از پیکسل ها استفاده نمی کنیم، بلکه احتمال پیشین در این روش توسط نسبت توزیع احتمال شرطی تعیین می شود.نتایج به دست آمده سرعت و دقت بالاتر روش پیشنهادی را نسبت به روش های موجود MRF-SA و MRF-ICM نشان می دهد.

Keywords:

قطعه بندی نواحی مشکوک در سینه , مدل میدان تصادفی مارکوف , ویژگی های بافتی , تصویربرداری MR

Authors

رضا عزمی

استادیار گروه آموزشی مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه

رباب انبیائی

استادیار دانشگاه علوم پزشکی شهید بهشتی، تهران

نرگس نوروزی

دانشجوی کارشناسی ارشد هوش مصنوعی، دانشکده فنی و مهندسی، دانشگاه الز

آذردخت امیرزادی

دانشجوی کارشناسی ارشد هوش مصنوعی، دانشکده فنی و مهندسی، دانشگاه الز

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • روش‌های پیچیده‌تری جهت تعیین شباهت مابین پیکسل‌ها [24] _ _ ...
  • Gibbs, 2 Conventional MRF ...
  • Saslow D., Boetes C., Burke W., Harm S., Leach M. ...
  • Malur S., Wurdinger S. Moritz A., Michels W., and Schneider ...
  • _ _ _ images", 2010 Med. Imag. Anal., 14:87-110. ...
  • Bebrens S., Laue H., Althaus M., Boebler T., Kuemmerlen B, ...
  • Shi J., Sahiner B., Chan H. P., Ge J., Hadjiisk ...
  • N. H. Eltonsy , G. D. Tourassi and A S. ...
  • Yao J., Chen J. and Chow C., "Breast Tumor Analysis ...
  • Azmi R., Anbiaee R., Norozi N., Salehi L., Amirzadi A., ...
  • Li, S. Z., " Markov Random Field modeling In Image ...
  • _ _ _ _ Network, Vol. 8, pp.703-709, 1993 ...
  • images of the breast, _ Magn. Reson. Med., vol. 50, ...
  • Besag ., "On the statistical analysis of dirty picture, " ...
  • Geman S. and Geman) "Stochastic relaxation, Gibbs distrution, and the ...
  • Cuadra M. B., Platel B., Solanas E., Butz T., and ...
  • _ _ role of image ...
  • Haralick R., , Shapmugam K. and Dinstein I."Texture features for ...
  • Galloway M. M, "Texture analysis using gray level run lengtbs, ...
  • Cui YF, "Malignant lesion segmentation in contrast-enhanced breast MR ...
  • نمایش کامل مراجع