عنوان پایان‌نامه
شناسایی خودکار دندانها به منظور تشخیص هویت بااستفاده از تصاویر چند مقطعی CT
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 36568
- تاریخ دفاع
- ۲۶ آبان ۱۳۸۶
- دانشجو
- مریم مومنی
- استاد راهنما
- رضا آقائی زاده ظروفی
- چکیده
- به دلیل اهمیتی که دندانها در سلامتی، زیبایی و تشخیص هویت دارند و همچنین نیاز دندانپزشکان به اندازه گیری های کمی، شناسایی و دانش دقیق شکل دندانها الزامی است. به منظور تعیین هویت دندانی خودکار، هرچه فضای جستجو محدودتر گردد، سرعت و راندمان بازیابی تصاویر و تعیین هویت و پایداری سیستم افزایش می یابد. این پروژه روشی برای شناسایی اتوماتیک دندان در تصاویر چند مقطعی سی تی اسکن را ارائه می نماید. همانند دیگر روش های تشخیص و طبقه بندی تصاویر، تشخیص دندانها در سه مرحله: بخشبندی، استخراج ویژگی و طبقه بندی انجام می شود. پس از اخذ یک تصویر سی تی، کاهش آرتیفکت ناشی از فلزات در صورت داشتن آن انجام می شود. دندانها با روش اتوماتیک بخشبندی می شوند که مبتنی بر آستانه یابی هیستوگرام، نمونه برداری پانارومیک و روش سطوح همتراز می باشد. اگر دقت بخشبندی اتوماتیک کمتر از 90% باشد، بخشبندی دستی انجام می شود. سپس توصیف کننده های فوریه، توصیف کننده های بدست آمده از مقادیر ویژه لاپلاسین دیریکله، توصیف کننده های تبدیل موجک و توصیف کننده های ممان برای دندانهای بخشبندی شده بدست می آیند. به منظور شناسایی دندانها از یک شبکه عصبی تک لایه پیشخور استفاده می شود و بردار های ویژگی برای هر روش پس از کاهش بعد بدین شرح می باشند: 6 نمونه اولیه ویژگی های حاصل از تبدیل فوریه، دو نمونه اولیه بردار ویژگی جاصل از مقادیر ویژه لاپلاسین تنها شامل، توان دوم تقریب و جزء اول و انرژی در جهت عمودی در بردار ویژگی حاصل از تبدیل موجک و ممان های اول تا سوم. در روش پیشنهادی، از مقادیر ویژه لاپلاسین در هر فک برای جداسازی دندانهای چپ و راست استفاده می شود. توصیف کننده های طیفی کانتور تاج، تبدیل موجک به خاطر استفاده از تقریب و جزئیات و انرژی، برای شناسایی دندانهای فک بالا استفاده می شود. در فک پایین، توصیف کننده های مبتنی بر ناحیه یعنی ممان ها بهتر دندانها را شناسایی می کنند. نتایج عملی روش مطرح شده منجر به نرخ صحیح طبقه بندی بالای %93 درصد در شناسایی اتوماتیک دندان ها شده است و نوآوری روش مطرح در این پروژه این است که شناسایی دندان ها مستقل از هر گونه فرض آناتومیکی در مورد ترتیب و مکان دندان ها در دهان می باشد و قادر به شناسایی دندانهای بیشتر و متفاوتی هم می باشد. نتایج نشان می دهد که با تعداد کم ویژگی های مطرح نتایج قابل قبولی برای شناسایی اتوماتیک دن
- Abstract
- Teeth are considered as important anatomical structures in the face. They play key roles in the facial beauty, and the shape, size and alignment of teeth are crucial for ergonomic craniofacial interactions. In addition, teeth are unique in identification of deceased persons where other biometric features are not applicable. This study presents a method for automatic recognition of teeth in multi-slice CT images. Like other object recognition methods, our method contains three steps: teeth segmentation, feature extraction and classification. First, if there is any metal artifact, we reduce it. Teeth are segmented by a hybrid approach including anatomical based histogram thresholding, panaromic resampling, and level-set techniques. If accuracy of segmentation is lower than 90%, then we segment the teeth by hand. Feature extraction is performed by calculating several eigen-values of each tooth based on Dirichlet Laplacian technique, Fourier descriptors, wavelet descriptors and moments. For classification, we use a feed forward neural network with one hidden layer. After reducing the dimension of feature vectors, they become as following: the first 6 samples of the Fourier descriptrors, the first 2 samples of features related to eigen-values of Dirichlet Laplacian, the energy of vertical details, the power 2 of approximation and first detail of wavelet descriptors and the first to third moments. In the proposed method, generated features of eigen-value of Dirichlet Laplacian are used for the left and right teeth in each jaw. Spectral descriptors, wavelet, and features based on region, moment, are used for recognition of each tooth in the upper and lower jaw, respectively. Experimental results reveal that the technique is able to automatically classify teeth in more than 93% of the cases. Our method is independent of the anatomical information such as the sequence and locality of the teeth. The techniques are applicable to both forensic and dentistry investigations.
