تشخیص پلاک ام اس در تصاویر MR با استفاده از روش نمایش تنک و دیکشنری ثابت

Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 704

This Paper With 10 Page And PDF and WORD Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ICELE01_053

تاریخ نمایه سازی: 21 شهریور 1395

Abstract:

در بیماران پلاک ام اس به علت عدم وجود علائم بالینی یکسان در بیماران در مرحله تشخیص و اهمیت دقت در سیر درمانی بیماران به طور وسیعی از تصاویر MR در درمان و تشخیص پلاک ام اس استفاده می گردد. از این رو بخش بندی و پردازش دقیق تصاویر MR در این بیماران از اهمیت بالایی برخوردار می باشند. این تحقیق مبتنی بر نمایش تنک، روش هایی را برای بخش بندی در تصاویر MR ارائه می کند. در این مقاله با استخراج سه ویژگی، ضرایب تنک ، خطای بازسازی و موقعیت ضرایب در نمایش تنک از تصاویر نگاشت شده بر روی یک تصویر مرجع با استفاده از دیکشنری ثابت، بخش بندی دو کلاسه پلاک ام اس و غیر پلاک ام اس توسط ماشین بردار پشتیبان انجام گرفته است. نتایج ارائه شده کارایی نمایش تنک را در بخش بندی تصاویر MR نشان می دهد و در راستای ایجاد بستری با قابلیت و اعتبار بالا برای طراحی سیستم خودکار پردازش تصاویر MR مورد بررسی قرار گرفته است. در این تحقیق با استفاده از نمایش تنک و دیکشنری های ثابت توانستیم معیار مشابهت در بخش بندی پلاک ام اس را به 8/0 و همچنین معیارهای صحت و حساسیت را به خوبی افزایش داده و به ترتیب به 99 و 89 درصد برسانیم

Authors

معصومه رمضانی

دانشگاه آزاد اسلامی واحد مشهد، گروه مهندسی پزشکی، مشهد، ایران

محمدمهدی خلیل زاده

دانشگاه آزاد اسلامی واحد مشهد، گروه مهندسی پزشکی، مشهد، ایران

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 :
  • Chen S. S. D.D.L, Saunders M. A., Atomic decomposition by ...
  • Elad, M.a.M.A., Image denoising via sparse and redundant rep resentations ...
  • Alex P. Zijdenbos, R.F., and Alan C. Evans, Automatic "Pipeline" ...
  • Khadem, M.S., MRI Brain image segmentation using graph cuts in ...
  • S AMARAS EKERA, J.K.U.A.S., Fuzzy Connectednes and Object De@nition: Theory, ...
  • J. K. Udupa, L.W., S. Samarasekera, Y. Miki, M. A. ...
  • C. Pachai, Y.M.Z., J. Grimaud, M. Hermier, A. Dromigny-B adin, ...
  • Hri shike shDeshpande, P., ChristianB arillot, Classification of multiple sclerosis ...
  • Nick Weiss, D.R., Anil Rao, Multiple Sclerosis Lesion Segmentation Using ...
  • Donoho D, E.M., Optimal sparse representation in general (non -orthogonal) ...
  • Mohammad Mahdi Khalilzadeh, E.F., Hamid Behnam, Automatic segmentation of brain ...
  • Tropp, J.A., Greed is good: Algorithmic results for sparse approximation. ...
  • A O Boudraa, S.M.D., Y M Zhu, C Pachai, Y ...
  • Leemput, K.V., PhD Thesis: Quantitative Analysis of Signal Abnormalities in ...
  • R Khayati, M.V., F Towhidkhah, and S M Nabavi, Fully ...
  • Daisuke Yamamoto, H.A., Shingo Kakeda, Taiki Magome, Yasuo Yamashita, Fukai ...
  • Bassem A. Abdullah, A.A.Y., Pradip M Pattany, and Efrat Saraf-Lavi ...
  • Akmal A Younis, B.A.A., Pradip M Pattany, and Efrat Saraf-Lavi, ...
  • نمایش کامل مراجع