شبکه های عصبی پیچشی نیروی دوگانه برای تقسیم بندی دقیق تومور مغزی

Dual-force convolutional neural networks for accurate brain tumor segmentation

چکیده

1. پیشگفتار

2. کارهای مربوطه

2.1. معماری‌های CNN

2.2. روش‌های پس از پردازش

3. شبکه‌های نیروی دوگانه

3.1. مرور مختصری از خطوط پایه

3.2. DeepMedic چند سطحی

3.3. شبکه‌های نیروی دوگانه

3.4. تابع زیان مبتنی بر توزیع برچسب

3.5. پس از پردازش

4. آزمایش‌ها

4.1. مجموعه داده‌ها

4.2. جزئیات پیاده‌سازی

4.3. معیارهای ارزیابی

4.4. مقایسه عملکرد بین DeepMedic و MLDeepMedic

4.5. اثربخشی روش پس از پردازش مبتنی بر DFN و MLP

4.6. مقایسه با پیشرفته‌ترین روش‌ها

4.7. تجزیه و تحلیل پیچیدگی

5. نتیجه‌گیری

چکیده

 تقسیم‌بندی تومور مغزی از اسکن‌های تصویربرداری رزونانس مغناطیسی، برای هر دوی تشخیص و درمان سرطان مغزی، حیاتی است. به طور گسترده‌ای پذیرفته شده است که تقسیم‌بندی دقیق بستگی به اطلاعات چند-سطحی دارد. با این حال، معماری‌های عمیق موجود برای تقسیم‌بندی تومور مغزی موفق به تشویق صریح مدل‌ها به یادگیری ویژگی‌های سلسله مراتبی با کیفیت بالا نمی‌شوند. در این مقاله، مجموعه‌ای از رویکردها را برای افزایش کیفیت ویژگی‌های سلسله مراتبی شناخته شده ارائه می‌دهیم. نقش ما ادغام چهار جنبه است. اولا، به منظور استفاده از اطلاعات چند-سطحی برای تقسیم‌بندی دقیق‌تر، مدل محبوب DeepMedic را به Multi-Level DeepMedic توسعه می‌دهیم. دوما، طرحواره آموزشی نیروی دوگانه جدیدی را برای ارتقاء کیفیت ویژگی‌های چند-سطحی آموخته شده از مدل‌های عمیق ارائه می‌دهیم. این طرحواره، طرح آموزشی کلی است و می‌توان آن را در بسیاری از معماری‌های موجود، از قبیل DeepMedic و U-Net اعمال کرد. سوما، یک تابع زیان مبتنی بر توزیع برچسب را به عنوان رده‌بندی کننده کمکی برای تشویق لایه‌های سطح بالای مدل‌های عمیق به یادگیری اطلاعات انتزاعی‌تر طراحی می‌کنیم. در نهایت، یک رویکرد جدید پس از پردازش مبتنی بر ادراک چند-لایه‌ای  را برای اصلاح نتایج پیش‌بینی مدل‌های عمیق پیشنهاد می‌دهیم. آزمایش‌های گسترده‌ای روی دو مورد از جدیدترین مجموعه داده‌های تقسیم‌بندی تومور مغزی، یعنی، BRATS 2017 و BRATS 2015، انجام شده است. نتایج مربوط به این دو مجموعه داده نشان می‌دهند که رویکردهای ارائه شده به طور مداوم عملکرد تقسیم‌بندی دو مدل عمیق محبوب را ارتقا می‌بخشند. 

5. نتیجه‌گیری

تقسیم‌بندی دقیق تومور مغزی بستگی به اطلاعات چند سطحی دارد. با این حال، مدل‌های عمیق موجود به طور صریح کیفیت ویژگی‌های سلسله مراتبی آموخته شده را تضمین نمی‌کنند. در این مقاله، یک استراتژی آموزشی نیروی دوگانه را برای تشویق صریح مدل‌های عمیق به یادگیری ویژگی‌های چند سطحی با کیفیت بالا ارائه می‌دهیم. این امر به وسیله یک تابع زیان مبتنی بر توزیع برچسب برای یادگیری اطلاعات معنایی انتزاعی و یک تابع زیان softmax برای تقسیم‌بندی با استفاده از ویژگی‌های چند سطحی تحقق می‌یابد. استراتژی آموزشی نیروی دوگانه را می‌توان در بسیاری از شبکه‌های محبوب از قبیل Deep-Medic و U-Net اعمال کرد. اِعمال استراتژی ارائه شده در مدل‌های عمیق تنها به طور جزئی پیچیدگی زمانی و فضایی را در حین آموزش افزایش می‌دهد. علاوه‌براین، همچنین یک روش پس از پردازش مبتنی بر MLP را ارائه می‌دهیم که می‌تواند به طور خودکار قوانین پردازش را از داده‌ها، به جای خلاصه‌سازی دستی، یاد بگیرد. آزمایش‌های گسترده روی دو مورد از جدیدترین پایگاه‌های داده تقسیم‌بندی تومور مغزی، کارایی و اثربخشی رویکردهای ارائه شده را تایید می‌کنند. یکی از کمبودهای روش پس از پردازش مبتنی بر MLP این است که فرایند آموزشی آن جدای از فرایند آموزشی DFN است؛ بنابراین، چارچوب کلی کاملا انتها-به-انتها نیست. در آینده، قابلیت تقسیم‌بندی معماری تقسیم‌بندی را بهبود خواهیم بخشید به طوری که بتوان از مرحله پیش پردازش جداگانه جهش کرد. 

Abstract

Brain tumor segmentation from Magnetic Resonance Imaging scans is vital for both the diagnosis and treatment of brain cancers. It is widely accepted that accurate segmentation depends on multi-level information. However, exiting deep architectures for brain tumor segmentation fail to explicitly encourage the models to learn high-quality hierarchical features. In this paper, we propose a series of approaches to enhance the quality of the learnt hierarchical features. Our contributions incorporate four aspects. First, we extend the popular DeepMedic model to Multi-Level DeepMedic to make use of multi-level information for more accurate segmentation. Second, we propose a novel dual-force training scheme to promote the quality of multi-level features learnt from deep models. It is a general training scheme and can be applied to many exiting architectures, e.g., DeepMedic and U-Net. Third, we design a label distribution-based loss function as an auxiliary classifier to encourage the high-level layers of deep models to learn more abstract information. Finally, we propose a novel Multi-Layer Perceptron-based post-processing approach to refine the prediction results of deep models. Extensive experiments are conducted on two most recent brain tumor segmentation datasets, i.e., BRATS 2017 and BRATS 2015 datasets. Results on the two databases indicate that the proposed approaches consistently promote the segmentation performance of the two popular deep models.

5. Conclusion

Accurate brain tumor segmentation depends on multi-level information. However, existing deep models do not explicitly guarantee the quality of the learnt hierarchical features. In this paper, we propose a dual-force training strategy to explicitly encourage deep models to learn high-quality multi-level features. This is realized by a label distribution-based loss function to learn the abstract semantic information and a softmax loss function for segmentation using multi-level features. The dual-force training strategy can be applied to many popular networks, e.g., DeepMedic and U-Net. Applying the proposed strategy to deep models only slightly increases the time and space complexity while training. Besides, we also propose an MLP-based post-processing method that can automatically learn post-processing rules from data rather than manual summarization. Extensive experiments on two most recent brain tumor segmentation databases justify the efficiency and effectiveness of the proposed approaches. One shortage of the MLP-based post processing method is that its training process is separated from that of DFN; therefore, the entire framework is not completely end-to-end. In the future, we will further enhance the segmentation capability of the deep architecture, so that a separate post-processing stage can be skipped.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

شبکه های عصبی پیچشی نیروی دوگانه برای تقسیم بندی دقیق تومور مغزی

Dual-force convolutional neural networks for accurate brain tumor segmentation

بررسی جامع تقسیم بندی تصویر پزشکی در GPU ها 

Medical image segmentation on GPUs – A comprehensive review

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

بررسی جامع تقسیم بندی تصویر پزشکی در GPU ها 

Medical image segmentation on GPUs – A comprehensive review

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

الگوریتم نرمال سازی شده تقسیم بندی تصاویر اوتسو برای تشخیص ملانوما

Normalised Otsu’s Segmentation Algorithm for Melanoma Diagnosis

چکیده

1) مقدمه

2) الگوریتم پیشنهادی

3) اجرای الگوریتم

4) مقایسه با حالت هنری

5) نتایج

6) نتیجه گیری

چکیده

ملانوما یک سرطان پوستی کشنده است که میزان مرگ را با آهنگ سریع تری افزایش می دهد.برای اینکه این میزان مرگ کنترل شود بایستی ملانوما در مرحله ی اولیه ی آن کشف شود.برای دستیابی به این مهم محققان تشخیص به کمک کامپیوتر را معرفی کرده و این روش را برگزیده اند.الگوریتم های فراوانی برای چند تکه ای کردن تصویر وجود دارد که یکی از مهم ترین این الگوریتم ها ، الگوریتم مرسوم چند تکه ای اتسو می باشد.
ایراد اصلی این الگوریتم این است که در حضور نورپردازی متغیر روش چند تکه ای مناسب نمی باشد. برای حل این نقیصه این مقاله الگوریتم چند تکه ای نرمال شده ی اتسو را پیشنهاد می کند که بر ایراد اشاره شده در فوق غلبه می کند و منجر به یک تقسیم بندی دقیق تصویر می شود. این الگوریتم ابتدا ، تصویر را نرمال سازی می کند تا بر نورپردازی متغیر غلبه کند و سپس با استفاده از الگوریتم اتسو ، تصویر را تکه تکه و چند قسمتی می کند.نتیجه ی دقیقی که این الگوریتم ارائه می کند می تواند در مراحل بیشتری مورد استفاده قرار گیرد تا ایراد رابطور دقیق کشف کند و در نتیجه به کاهش میزان مرگ کمک خواهد کرد. مقدمه بیماری ملانوما می تواند در مرحله ی اولیه با استفاده از تحلیل های کامپیوتری کمکی کشف شود که در این راستا چند تکه سازی تصویر گامی مهم و اساسی محسوب می شود. چند تکه سازی تصویر به کمک الگوریتم چند تکه ای انجام می شود تا سرعت پردازش را افزایش دهد.بعد از تقسیم تصویر به نواحی متعدد، اندازه گیری و سنجش روی هر ناحیه می تواند صورت گیرد.بنابراین چند تکه سازی گامی اساسی در آنالیز داده های تصویرمحسوب می شود. روش های متعددی برای چند تکه سازی پیشنهاد و ارائه شده است ناپیوستگی و همگن بودن دو شاخصه ای هستند که تعیین کننده ی نوع روش چند تکه سازی تصویر می باشند.تقسیم بندی ناحیه محور و تقسیم بندی لبه محور دو نمونه از انواع دسته بندی چندتکه سازی تصویر هستند که بر مبنای دو شاخص ذکر شده در فوق می باشند. بر اساس خاصیت ناپیوستگی پیکسل های تصویر، روش های چند تکه کردن تصویر بعنوان لبه ای یا مرزی طبقه بندی می شوند. تصویر مضاعف و دوتایی نتیجه ی تقسیم بندی لبه محور می باشد. دو نمونه از دسته بندی های روش چند تکه سازی لبه محور، روش های زاویه محور و هیستوگرام خاکستری می باشند.

6) نتیجه گیری

این مقاله الگوریتمی را ارائه می کند که می تواند به منظور به دست آمدن نتایجی دقیق تر و بهتر در فرآیند قطعه بندی تصویر ،به سادگی مورد استفاده قرار گیرد. و یک مسیر وسیع تر و بهتر را جهت پیش بینی بیماری ملانوما فراهم می کند.الگوریتم پیشنهاد شده در این مقاله میزان خطای کمتر و مقدار PSNR بیشتری را تولید می کند که ثابت می کند کیفیت تصویر تقسیم بندی شده بالا می باشد.زمانی که این الگوریتم برای تقسیم بندی تصویر مورد استفاده قرار می گیرد مشکل نورپردازی متغیر رفع می شود. زمانی که مشکل نورپردازی متغیر برطرف شود، نتیجه ی فرآیند تقسیم بندی تصویر دقیق تر و شفاف تر خواهد بود که یک روش گسترده تر و شفاف تر برای استخراج ویژگی ها و مشخصات از تصویر قطعه بندی شده را فراهم می کند به نحوی که تصویر دارای کیفیت بالاتری می باشد.

Abstract

Melanoma is a deadly skin cancer which increases the death rate at a faster rate. In order to bring the death rate under control, melanoma should be detected at its earlier stage. To achieve this, researchers have introduced Computer aided diagnosis and adopted the same. In this technique, Segmentation is found to be one of the important steps. Many algorithms exist in practise for segmentation,where one of the important algorithms is Traditional Otsu Segmentation Algorithm. In this algorithm the major drawback is that the segmentation is improper in the presence of variable illumination. This paper proposes an algorithm “Normalised Otsu Segmentation” which overcomes the above mentioned drawback and results in an accurate segmentation. This algorithm first normalises the image to overcome variable illumination and then segments the image using Otsu algorithm. The accurate result given by this algorithm can be used in further steps to detect the lesion accurately which will provide a hand a for reducing the death rate.

1- Introduction

Melanomacan be detected at earlier stage using computer aided analysis in which segmentation is the major and important step1-3. Segmentation is done with the help of Segmentation algorithm to speed up the process. After segmenting the image into subregions measurements on each region can be accomplished4 . Therefore segmentation is a major step for significant analysis of image data. Various techniques have been proposed for segmentation in many literatures. Discontinuity and similarity are the two properties based on which categorization of image segmentation method is done5 . Region based and edge based segmentation are the two categories of image segmentation based on these properties. Based on the property of discontinuity of pixels segmentation methods are classified as edge or boundary based techniques. A binary image is the result of edge based segmentation. The two categories of edge based segmentation methods are gradient based and gray histogram based methods6 .

6- Conclusion

This literature provides an algorithm which can be implemented easily for obtaining better and accurate results in the segmentation process, which provides a better and wider path for melanoma prediction. The proposed algorithm of this literature produces less error rate and high PSNR value which proves that the segmented image quality is high. When this proposed algorithm is used for segmentation, the problem of variable illumination can be overcome. When this variable illumination problem is removed,the result of the segmentation process is more accurate and clear, which provides a wider and clear way for extracting features from the segmented image in more qualified and quantified manner.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

الگوریتم نرمال سازی شده تقسیم بندی تصاویر اوتسو برای تشخیص ملانوما

Normalised Otsu’s Segmentation Algorithm for Melanoma Diagnosis

تشخیص کامپیوتری تومور مغز انسان به وسیله MRI: نظرسنجی و الگوریتم جدید

Computer-aided diagnosis of human brain tumor through MRI: A survey and a new algorithm

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص کامپیوتری تومور مغز انسان به وسیله MRI: نظرسنجی و الگوریتم جدید

Computer-aided diagnosis of human brain tumor through MRI: A survey and a new algorithm

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

مبتدی (مناسب برای درک مفهوم کلی مطلب)

3. خواص تصویربرداری فراصوت
روشهای تصویر برداری فراصوتی خواص زیر را فراهم می کند:
● اسکن تصویر سونوگرافی، بیشتر تهاجمی است و معمولا بدون درد است.
● سونوگرافی در مقایسه با سایر روشهای تصویربرداری دارای ویژگی های استفاده گسترده در دسترس، سهولت استفاده و ارزان بودن است.
● سیستم اسکن فراصوتی، وضوح و تصویر واضحی از بافت نرم را ارائه می دهد.
● سونوگرافی هیچ عوارض جانبی ندارد.
● روش تصویربرداری فراصوتی به وضوح برای نظارت بر بیماران استفاده می شود.
● باید تنها زمانی انجام شود که از نظر بالینی مورد نیاز است

4. مزایای پردازش تصویر فراصوتی
پردازش تصویر فراصوتی [6] برای استفاده بسیار امن است و به نظر نمی رسد موجب عوارض ناخواسته شود. این ارزان است و انجام پردازش بر روی تصاویر سریع صورت می گیرد. اسکنر فراصوتی باید برای بیماران به منظور اجتناب از خطر در حین حرکت بیمار تحت مراقبت های ویژه استفاده شود. قابلیت های Doppler در اسکنر مدرن، ارزیابی جریان خون در شریان ها و وریدها را میسر می سازد.

5. روش های تصویربرداری فراصوتی
سونوگرافی شامل دو نوع روش تصویربرداری می شود:
● تصویر سونوگرافی داخل عروقی
● تصویر سونوگرافی Doppler
سونوگرافی داخل عروقی IVUS) [8] [7]) مبتنی بر روش تصویربرداری پزشکی کاتتر است که به خصوص برای مطالعه بیماری آترواسکلروتیک مفید است. IVUS [9] تصاویر مقطعی از رگ های خونی را تولید می کند که ارزیابی کمی و کیفی از دیوار عروقی و اطلاعات در مورد ماهیت ضایعات بیماری آترواسکلروتیک و همچنین فرمت پلاکی که با شکل و اندازه نامگذاری می شود را فراهم می کند . نتایج دقیق بر اساس داده های شبیه سازی شده با فواصل نقطه به نقطه متوسط به دست آمده بین مرزهای دیواره عروق مشخص شده به دست می آیند.
سونوگرافی Doppler یک تکنیک فراصوتی مخصوص است. این بخش هایی از تصویر سونوگرافی داخل عروقی است. به ارزیابی جریان خون از طریق رگ های خونی می پردازد. شامل شریانها و وریدهای بزرگ بدن در بازوها، شکم، پاها و گردن می شود.
سونوگرافی Doppler به سه بخش تقسیم می شود:
● Doppler رنگی استفاده شده در کامپیوتر برای تبدیل اندازه گیری های Doppler به آرایه ای از رنگ ها برای تجسم سرعت و جهت جریان خون از طریق عروق خونی.
● Doppler توان یک تکنیک جدیدتر است که حساس تر از Doppler رنگی و قادر به فراهم آوردن جزئیات بیشتر از جریان خون است، هنگامی که جریان خون کم و یا حداقل است.
● Doppler طیفی مورد استفاده برای نمایش اندازه گیری جریان خون گرافیکی، از نظر مسافت طی شده در واحد زمان.

6. الگوریتم های تقسیم بندی تصویر فراصوتی (سونوگرافی)
تقسیم بندی، یک فرایند است که توسط آن تصویر دیجیتال را می توان به بخش های متعدد بخش بندی نمود. تقسیم بندی تصویر در شکل 4، 5، 6، 7 و 8 نشان داده شده است. این عمدتا برای قرار دادن اشیاء و مرزها مورد استفاده قرار می گیرد (لبه، خطوط، منحنی ها و غیره).
الگوریتم های تقسیم بندی بر اساس خواص رنگ، مقادیر خاکستری یا بافت هستند: ناپیوستگی و شباهت:
● اول: برای پارتیشن بندی یک تصویر بر اساس تغییرات در شدت، مانند لبه، خطوط، منحنی ها در یک تصویر استفاده می شود.
● دوم: بر اساس پارتیشن بندی یک تصویر به مناطقی است که با توجه به معیارهای از پیش تعریف شده مشابه هستند. آستانه گذاری برای روش هیستوگرام تحت این دسته قرار می گیرد.
برخی از کاربردهای عملی تقسیم بندی تصویر، تصویربرداری پزشکی، تشخیص چهره، تشخیص اثر انگشت، سیستم های کنترل ترافیک، شناخت Iris، تشخیص نور ترمز، بینایی ماشین، جانمایی اشیاء در تصاویر ماهواره ای، تصویربرداری کشاورزی می باشند. چندین تکنیک با اهداف کلی و الگوریتم ها برای تقسیم بندی تصویر توسعه یافته اند.
این تکنیک ها با حوزه دانش به منظور حل موثر یک مشکل تقسیم بندی تصویر ترکیب می شوند.

A. آستانه گذاری
ساده ترین و محبوب ترین روش تقسیم بندی تصویر، روش آستانه گذاری نامیده می شود. این روش برای تبدیل یک تصویر در مقیاس سیاه سفید به یک تصویر باینری استفاده می شود. در این روش، مقادیر از پیش تعریف شده (آستانه) انتخاب می شوند، و یک تصویر به گروه های پیکسل های دارای مقادیری در محدوده مقادیری فراتر از چنین محدوده تعریف شده توسط آستانه و گروه پیکسل تقسیم می شود.
چندین الگوریتم آستانه وجود دارند.
● کلی
● موضعی
● پویا
● تطبیقی
آستانه گذاری کلی، یکی از روش های بصری است. هنگامی که تنها یک مقدار آستانه برای کل تصویر انتخاب می شود، بر اساس هیستوگرام تصویر، آستانه گذاری، کلی نامیده می شود. اگر آستانه بستگی به خواص تصویر موضعی داشته باشد، به عنوان مثال، مقدار خاکستری متوسط موضعی، آستانه گذاری، موضعی نامیده می شود. اگر آستانه ها به طور مستقل برای هر پیکسل یا گروه پیکسل انتخاب شوند، سپس آستانه گذاری پویا یا انطباقی نامیده می شود [3].
کلید این روش، انتخاب مقادیر در سطوح مختلف است. عملیات های آستانه گذاری موضعی به شرح زیر است:
i. تقسیم بندی تصویر ورودی به زیرتصویر و محاسبه آستانه برای هر زیر تصویر.
ii. بررسی شدت های تصویر در همسایگی هر پیکسل.
عملیات های آستانه گذاری، بهترین راه حل مناسب برای (پیکسل های 350 X 184 ، اندازه فایل: 5 KB، نوع MIME: تصویر/png) است. آستانه گذاری موضعی از نظر محاسباتی گران تر از آستانه گذاری کلی است. این برای بخش بندی ساختارهای از یک پس زمینه مختلف، و برای استخراج از مناطقی که بسیار کوچک و پراکنده می باشند، بسیار مفید است.

B. روش های خوشه بندی
خوشه بندی، یک فرآیند گروه بندی ساختار های تصویر مشابه به یک خوشه تک است، در حالی که ساختارها با ویژگی های متفاوت به دسته های مختلف بر اساس برخی از شباهت ها در معیارها گروه بندی می شوند. شباهت از نظر اندازه گیری فاصله مناسب اندازه گیری می شود. خوشه بندی، فرآیند گروه بندی ساختار پهای تصویر مشابه در یک خوشه بندی تک است.
تکنیک خوشه بندی را می توان به دو مورد زیر تقسیم نمود
a. تکنیک نظارت شده
b. تکنیک بدون نظارت
a. تکنیک نظارت شده
تکنیک خوشه بندی نظارت شده باید برای تصاویر از پیش تعریف شده مورد استفاده قرار گیرد. تصاویر از پیش تعریف شده به عنوان نمونه اولیه استفاده شده برای تصاویر نامیده خواهند شد. این نوع از تصویر نمونه اولیه برای تصویر بخش بندی شده همپوشانی می شود. تکنیک های خوشه بندی نظارت شده عبارتند از:
● KNN (K نزدیکترین همسایگی).
● ML (حداکثر احتمال).
● شبکه عصبی مصنوعی نظارت شده.
● ماشین آلات برداری پشتیبانی شده.
● مدل های شکل فعال.
● مدل های رویکرد فعال.

تقسیم بندی تصویر بر اساس رنگ

IMAGE SEGMENTATION BASED ON COLOR

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

مجله بین المللی تحقیقات در مهندسی و فناوری 

International Journal of Research in Engineering and Technology

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تقسیم بندی تصویر بر اساس رنگ

IMAGE SEGMENTATION BASED ON COLOR

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

الگوریتم های پردازش عکس دیجیتال در رتینوپاتی دیابتی

Algorithms for digital image processing in diabetic retinopathy

Abstract

This work examined recent literature on digital image processing in the field of diabetic retinopathy. Algorithms were categorized into 5 steps (preprocessing; localization and segmentation of the optic disk; segmentation of the retinal vasculature; localization of the macula and fovea; localization and segmentation of retinopathy). The variety of outcome measures, use of a gold standard or ground truth, data sample sizes and the use of image databases is discussed. It is intended that our classification of algorithms into a small number of categories, definition of terms and discussion of evolving techniques will provide guidance to algorithm designers for diabetic retinopathy.

1 Introduction

Over the last decade, high resolution color digital photography has been recognized as an acceptable modality for documenting retinal appearance. Images are easily captured using a conventional digital camera back, attached to a retinal camera body designed to compensate for the optics of the eye. The digital format provides a permanent, high quality record of the appearance of the retina at any point in time. Electronic storage, retrieval and transmission are possible without loss of image quality.

One well recognized application for retinal digital imaging is within screening programs for diabetic retinopathy (DR). This disease is the commonest cause of blindness in people of working age, has an effective treatment available to prevent vision loss but is asymptomatic until late in the disease process. The UK National Screening Committee currently recommends annual screening for all diabetic patients aged 12 years and over, using digital retinal photography (www.nscretinopathy.org.uk). Images may be captured at a venue convenient to the patient’s home or work and data then transferred to a central location where they are read and interpreted by trained graders. Quality assurance must be an integral component of any screening programme, and as in breast screening programs, a high proportion of all images should be double read.

Population growth, an aging population, physical inactivity and increasing levels of obesity are contributing factors to the increase in the prevalence of diabetes. The global prevalence of diabetes is expected to rise from 2.8% in 2000 to 4.4% of the global population by 2030 [1]. In the UK the number of diabetic people is approximately 2.3 million (www.diabetes.org.uk). If all diabetic people are to undergo regular screening within a quality assured framework, the workload is going to be substantial.

Grading retinal images for the presence of diabetic retinopathy is largely a pattern recognition task. The typical features of diabetic retinopathy are microaneurysms, small intra retinal dot hemorrhages, larger blot hemorrhages, all of which are red lesions, and whitish lesions for example lipid exudates, and cotton wool spots which are nerve fiber layer microinfarcts. Graders are taught to recognize these lesions against the background appearance of the ‘normal retina’. With an increasing diabetic population and the need for quality assurance pathways, it is not surprising that considerable effort has been spent over the past 10–15 years on investigating whether these lesions could be detected by computer aided pattern recognition algorithms.

The process of detecting multiple patterns and their relationship within a retinal image is made up of a series of operations or steps, with low-level image processing operations providing a basis for higher level analysis. Digital retinal images are usually processed in an algorithmic sequence, with the output of one stage forming the input to the next. For example, a typical sequence may consist of one or more preprocessing procedures followed by image segmentation, feature extraction and classification stages. Preprocessing may be used to normalize image brightness, correct for image nonuniformity, reduce noise or reduce image artifacts. Segmentation decomposes an image into its constituent regions or objects, for example retinal blood vessels, optic nerve head or pathological lesions. Feature extraction typically computes quantitative infor mation from the segmented objects. The extracted features can be used to classify objects according to predetermined criteria such as size, morphology and color. The objectives of this paper are

(1) to review the relevant literature over a 10 year period in the field of digital image processing in DR;

(2) to provide researchers with a detailed resource of the main algorithms employed;

(3) to categorize the literature into a series of operations or steps;

(4) to identify potential areas for improving research design and reporting.

The paper is organized as follows: Section 2 describes the methodology used for the literature review. Section 3 gives the results of the review. Section 4 provides a detailed survey of the common computational steps for detecting retinal features. The image processing operations for detecting the optic nerve head, retinal vasculature, fovea, macula and retinopathy are described. We conclude in Section 2 by discussing recent trends and directions for future work.

مبتدی (مناسب برای درک مفهوم کلی مطلب) (ترجمه به صورت ناقص انجام شده است)

تصویر مصنوعی در شکل 1a نشان داده می شود. این تصویر شامل یک الگوی دو کلاسیِ خراب شده با 5% نویز گوسی است. مقادیر تشدیدِ دو کلاس بهترتیب صفر و 90 هستند و اندازه ی تصویر 64*64 پیکسل می باشد. شکل 1b-e به ترتیب نتایج قطعه بندی در FCM و KFCM و SKFCM را نشان می دهد. در اینجا پاراتر را به صورت قرار می دهیم (پهنای هسته ی RBF گوسی)، ، و (یک پنجره ی 3*3 حول هر پیکسل به جز خود پیکسل مرکزی، تمرکز یافته است).این مقادیر در ادامه ی این مقاله استفاده خواهد شد مگر اینکه مقداری صراحتا مشخص شود. همان طور که در شکل 1b و c نشان داده شده، بدون محدودیت های فضایی، هیچکدام از FCM و KFCM نمی توانند دو کلاس را از هم جدا کنند، در حالیکه همان طور که در شکل 1d و e نشان داده شده، SFCM تقریبا و SKFCM کاملا در تصحیح و طبقه بندی داده موفق بوده اند. به یاد داشته باشید که KFCM به خاطر تزریق هسته در مقایسه با FCM نیاز به زمان اجرایی بیشتری دارد و متناظرا، SKFCM کندتر از SFCM می باشد. معمولا، الگوریتم ها ی بدون هسته چندین برابر سریعتر از الگوریتم هایی با هسته های تزریق هستند.

شکل 2a یک تصویر مصنوعی آزمایشی است که با نویز 5% و ناهمگنی تشدید، تخریب گشته و با تابع سینوسی شبیه سازی شده است. اشکال 2b-e به ترتیب نتایج FCM، KFCM،SFCM و SKFCM را نشان می دهد. همانند شکل 1، SKFCM نیازمند به بهترین عملکرد قطعه بندی است. جدول 1 دقت قطعه بندی (SA) را در جهت بدست آمدنِ مقایسه ی کمی برای چهار روش در شکل های 1a و 2a می دهد. دقت قطعه بندی در این جدول به صورت جمع تعداد کل پیکسل های تقسیم شده بوسیله ی جمع تعداد پیکسل هایی که به درستی دسته بندی شده اند، تعریف می شود.
شکل 3 و 4 مقایسه ی نتایج قطعه بندی بین FCM، KFCM،SFCM و SKFCM را در زمانی که فانتوم MR با وزن T1 به کار برده شده باشد را ارائه می کند. مزایای استفاده از فانتوم دیجیتال به جای داده ی تصویر واقعی برای اعتبارسنجی روش های قطعه بندی، شامل دانش قبلیِ انواع بافت واقعی و کنترل روی پارامترهای تصویر مانند جهت، ضخامت برش، نویز و ناهمگنی تشدید می شود. اینجا در آزمایشاتمان از یک فانتوم با تفکیکی بالا و با وزن T1 و با ضخامت برش 1mm، 3% نویز و بدون ناهمگنی تشدید استفاده کرده ایم. دو برش در صفحه ی محوری با توالی 91 و 121، به ترتیب در شکل های 3a و 4a نشان داده می شوند.نتایج قطعه بندی در دو برش، با استفاده از چهار روش و با هشت کلاس به ترتیب در شکل های 3b-e و 4b-e نشان داده می شوند. جدول 2 امتیازات مقایسه ی کمی متناظر با شکل 3a را با استفاده از چهار روش با 8 کلاس ارائه داده است. به یاد داشته باشید که SFCM در حقیقت سه کلاس را پیدا کرده است اما چون کلاس 5 در مقایسه با سایر کلاس ها بسیار کوچک است لذا امتیاز آن در جدول 2 به صفر گرد می شود. امتیازات مقایسه (در 29 سطح کیفیت نیز نامیده شده است) برای هر الگوریتم و برای هر کلاس از طریق معادله ی پیش رو محاسبه می شود.

که در آن Aij مجموعه پیکسل های متعلق به j امین کلاس یافته شده بوسیله ی i امین الگوریتم را ارائه می کند و Arefj مجموعه پیکسل های متعلق به کلاس j ام در تصویر قطعه بندی شده ی منبع را نشان می دهد. در اینجا را انتخاب کرده ایم چون نویز نسبتا کوچک است. در چنین حالتی، FCM و SFCM نمی توانند به درستی تصاویر را دسته بندی کنند در حالیکه KFCM و SKFCM نتایج قطعه بندی رضایت بخشی را بدست می آورند.
شکل 5 و 6 مقایسه ی نتایج قطعه بندی بین ، KFCM،SFCM و SKFCM را در زمانی که روی برش های واقعی MR که با نویز گوسی 5% تخریب شده است، به کار برده شده باند را نشان می دهند. این تصاویر MR با وزن T1 با استفاده از یک تصویر ساز MR کلینیکی 1.5 تسلا سیگنال الکتریکی جامع با تفکیک داخل صفحه ی 0.94 mm2 بدست می آیند. شکل های 5a و 6a تصاویری که به صورت مصنوعی تخریب شده اند را نشان می دهند و اشکال 5b-e و 6b-e به ترتیب نتایج استفاده از FCM، KFCM،SFCM و SKFCM با سه کلاس هستند. جدول 3 امتیازات مقایسه ی متناظر را با استفاده از چهار روش با سه کلاس برای اشکال 5a و 6a ارائه کرده است. با نوجه به تصاویر و جدول 3، می توانیم ببینیم که بدون محدودیت های فضایی، FCM و KFCM، هردو به شدت تحت تاثیر نویز قرار گرفته اند در حالیکه SFCM به صورت جزیی و SKFCM تقریبا به طور کامل اثر نویز را حذف کرده اند.

در نهایت، شکل 7 مقایسه ی نتایج قطعه بندی چهار روش روی تصویر MR با وزن T2 که با ناهمگنی های تشدید جزیی تخریب شدهاست را نشان داده است. شکل 7a تصویر اصلی است و شکل 7b-e به ترتیب نتایج با استفاده از FCM، KFCM،SFCM و SKFCM است. توجه داشته باشید که SKFCM در مقایسه با دیگر الگوریتم ها بسیار کمتر قطعه قطعه شده است و تلفیق محدودیت های فضایی در طبقه بندی تا حدی دارای مزیت تار کردن برخی از جزییات را دارد اما SKFCM همان طور که در شکل 7d و e نشان داده شده، در مقایسه با SFCM نتایج بهتری داشته است.

 ارزیابی k-Means و بخش بندی تصاویر MR از مغز و فازی C-Means

 Evaluation of k-Means and fuzzy C-means segmentation on MR images of brain

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

بررسی Means-K و تقسیم بندی تصاویر MR از مغز و Means-CC-Means

 Evaluation of k-Means and fuzzy C-means segmentation on MR images of brain

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

یک روش نیمه خودکار تقسیم بندی کبد از تصاویر CT سه بعدی با ماشین یادگیری نهایی

A Semi-automatic Approach to the Segmentation of Liver Parenchyma from 3D CT Images with Extreme Learning Machine

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

یک روش نیمه خودکار تقسیم بندی کبد از تصاویر CT سه بعدی با ماشین یادگیری نهایی

A Semi-automatic Approach to the Segmentation of Liver Parenchyma from 3D CT Images with Extreme Learning Machine

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.