عنوان پایان‌نامه
تشخیص و تجزیه و تحلیل خودکار مناطق سایه دار به منظور بهبود کیفیت تصاویر IVUS
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 47638;کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1836
- تاریخ دفاع
- ۲۷ دی ۱۳۸۹
- دانشجو
- الهام فتحی آذر
- استاد راهنما
- سیدکمال الدین ستاره دان
- چکیده
- تصویربرداری اولتراسوند داخل رگی (IVUS) یک روش تصویربرداری تشخیصی است که اطلاعات بافت شناسی رگهای تغذیه کننده قلبی را فراهم می¬کند. یکی از مشکلات تحلیل تصاویر بدست آمده با این روش، سایه های کلسیمی موجود در این تصاویر است. انعکاس نسبی بسیار زیاد موج اولتراسوند در برخورد با رسوبات کلسیمی، باعث ایجاد مناطقی با شدت روشنایی خیلی پایین در نواحی عمقی¬تر رگ می¬شود که تحت عنوان سایه نامیده می¬شود. معمولا اطلاعات بافت شناسی مناسبی از این نواحی قابل حصول نیست. در این پایان¬نامه ابتدا به شناسایی و بخش¬بندی و سپس به بازسازی نواحی تحت سایه پرداخته شده است. برای شناسایی و بخش¬بندی دو روش خودکار و نیمه¬خودکار بر مبنای روش آستانه¬گذاری معرفی شده است. در روش نیمه¬خودکار، ابتدا مقادیر آستانه متفاوت بر روی تصاویری که به صورت تصادفی از بین تصاویر مجموعه داده¬ها انتخاب شده¬اند، اعمال می¬شود و در هر مورد بهترین آستانه به طوری که منجر به نزدیکترین مرز به مرز تعیین شده توسط پزشک متخصص شود، انتخاب و سپس میانگین¬ آنها به عنوان مقدار آستانه مبنا انتخاب می¬گردد. سپس این مقدار مبنا در بقیه تصاویر برای تعیین مرز بین مناطق تاریک و روشن استفاده می¬شود. در ادامه برای انتخاب مرز واقعی از بین مرزهای پیشنهادی روش آستانه¬گذاری، از اطلاعات مورفولوژی معمول این مناطق استفاده می¬گردد. در روش دوم مقدار آستانه برای هر تصویر به صورت مستقل و خودکار تعیین می¬شود. برای این منظور اطلاعات مکانی پیکسلهای تصویر با انجام پردازشهایی در حوزه فازی در هیستوگرام تصویر وارد شده، امکان آستانه-گذاری مناسب با روش اتسو را فراهم می¬کند. در نهایت با در نظر گرفتن موقعیت تقریبی منطقه تحت سایه، این منطقه از بقیه مناطق تاریک تصویر تفکیک می¬شوند. دو روش فوق¬¬ الذکر بر روی 25 فریم متفاوت از دو بیمار اعمال شده است. روش نیمه¬خودکار در 23 تصویر از 25 تصویر و روش خودکار در تمامی موارد محدوده منطقه تحت سایه را به درستی تشخیص داده است. جهت بررسی دقت روشها از معیار هاسدرف و اختلاف مساحت استفاده شده است. مقدار خطای متوسط بر مبنای معیار هاسدرف در روش اول 78/11 و در روش دوم 24/16 پیکسل و با معیار اختلاف مساحت مقدار 8/2 درصد در روش اول و 11/3 درصد در روش دوم بوده است. همان¬طور که نتایج نشان می¬دهد، روش نیمه¬خودکار در مواردی که موفق به تشخیص درست منطقه شده، مرزهای دقیق¬تری به دست داده است. مرحله¬ بعدی بازسازی مناطق تحت سایه است که با استفاده از نگاشت خطی تکه¬ای انجام گرفته است. نتایج بازسازی نشان می¬دهد که بافتهایی که در منطقه تحت سایه پس از بازسازی دیده می¬شوند، با مناطق مجاور خود همخوانی نزدیکی دارند و پیوستگی بافتی در مناطق مرزی به چشم می¬خورد. در ادامه، پس از بازسازی مناطق تحت سایه، به عنوان معیاری از صحت بازسازی انجام شده به استخراج مرزهای خارجی رگ با استفاده از مرزهای فعال پرداخته شده است. نتایج مرزهای استخراج شده پیش از بازسازی مناطق تحت سایه و پس از بازسازی آن در مقایسه با مرز رسم شده توسط پزشک متخصص قرار گرفته است. نتایج ارزیابی نشان می¬دهد که دقت مرز استخراج شده با معیار فاصله هاسدرف به اندازه 79/7 پیکسل و با معیار فاصله اختلاف مساحت 36/3 درصد بهبود داشته است. مرزهای استخراج شده در تصاویر بازسازی شده نشان می¬دهد که بخش عمده¬ای از میزان خطای تصحیح شده مربوط به منطقه تحت سایه است.
- Abstract
- Intravascular ultrasound (IVUS) is a diagnostic imaging technique that provides tomography visualization of coronary arteries. Many restrictions in automated analysis of IVUS images derive from the quality of the image, such as shadowed regions, which are produced by the presence of calcium deposits, and therefore, have to cope with weak or missing structures of underlying tissue. In this project, we firstly segment and enhance the shadowed regions in order to emphasize on its underlying structures. We presented the semi-automated and the automated methods based on thresholding to segment the shadowed regions. In the semi-automated method, ten images were selected randomly from the database and the borders of the shadowed regions were manually determined by the medical expert. First, the best recognized threshold close to the experts' border was chosen and then their average was chosen as the base threshold. Therefore, the base value identified the border between the dark and light regions in all images. In the automated method, the histogram of the images were firstly modified by the proposed method based on type2 fuzzy sets which benefits spatial information. Then the threshold was selected automatically by Otsu’s method. The ultimate segmentation was done by considering the morphology of shadowed regions. The two detection methods were conducted on 25 different frames selected from two patients' images. The semi-automated method detects shadowed regions in 23 frames of them while the automated method detects them in all frames. The accuracy of the detected regions’ borders was evaluated by comparing their results with manually identified ones. The comparison is done by calculating Hausdorff distance and average which were 11.78 and 2.8% for the first method and 16.24 and 3.11 for the second one, respectively. After segmentation of shadowed regions, the enhancement step is done by scaling intensity values of pixels within the regions. Therefore, the gray levels of the segmented regions are stretched linearly to expand between the lowest and highest gray values existing in each image. Results reveal fine structure of underlying tissue. In order to evaluate the enhancement results, the outer layers of the vessels were automatically determined before and after enhancement by the active contour and results were compared with the manually detected ones. The evaluation procedure demonstrates that identified borders in enhanced images are more accurate. Results showed that the average accuracy improved 7.79 pixels based on Hausdorff distance and 3.36% based on average distance.
