عنوان پایان‌نامه
بخش بندی ساختارهای مغز با استفاده از ممانهای تغییر ناپذیر هندسی و شبکه های عصبی
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1545;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 40882;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1545
- تاریخ دفاع
- ۱۷ اسفند ۱۳۸۷
- دانشجو
- مصطفی جبروتی مقدم
- استاد راهنما
- حمید سلطانیان زاده
- چکیده
- هدف از این پایان¬نامه ارائه روشی نوین برای بخش¬بندی ساختارهای مغز در حالت سه بعدی از روی تصاویر تشدید مغناطیسی می¬باشد. در این راستا سه روش توسعه داده شده¬اند که روش¬های دوم و سوم بهبود یافته روش اول می¬باشند. روش¬های پیشنهادی بر پایه کمی¬کردن ساختار شکل با استفاده از روش¬های بازشناخت الگو می¬باشند. روش¬های بازشناخت الگو از جمله طبقه¬بندی¬کننده¬ها قابلیت کمی¬کردن شکل ساختار را به طور غیر صریح دارا می¬باشند. در روش¬های پیشنهادی، ممان¬های تغییر ناپذیر هندسی در کنار مقادیر شدت روشنایی به عنوان ویژگی ورودی و تابع فاصله علامت¬دار به عنوان ویژگی خروجی مورد استفاده قرار می¬گیرند. در مرحله اول روش پیشنهادی آخر، رابطه بین ویژگی ورودی و خروجی مذکور با استفاده از شبکه¬های عصبی پیدا می¬شود. در این مرحله شبکه¬های عصبی به عنوان تخمین¬گر تابع فاصله علامت¬دار در مقیاس¬¬های مختلف ممان¬های تغییر ناپذیر هندسی مورد استفاده قرار می¬گیرند. برای هر مقیاس یک شبکه¬عصبی طراحی می¬شود. در مرحله دوم، خروجی¬های مرحله اول بار دیگر با مقادیر شدت روشنایی به عنوان ویژگی ورودی به کار برده می¬شوند. خروجی مرحله دوم نیز به صورت دو مقدار -1 و 1 در نظر گرفته می¬شود. مقدار 1 بدین معنا می¬باشد که واکسل به ساختار مورد نظر تعلق دارد و مقدار -1 بدین معنا می¬باشد که واکسل به ساختار مورد نظر تعلق ندارد. در واقع شبکه عصبی در این مرحله به عنوان یک طبقه¬بندی¬کننده مورد استفاده قرار می¬گیرد. همچنین در این پایان¬نامه، روشی سریع برای محاسبه ممان¬ها ارائه می¬شود. روش¬های پیشنهادی بر روی چهار ساختار پوتامن، کادت، تالاموس و هیپوکمپوس اعمال گردیده¬اند. نتایج حاصل با نتایج حاصل از جدیدترین روش¬های موجود در مقالات مقایسه شده¬اند. آزمایش¬های عملی کارآیی بالای روش¬های پیشنهادی را در کنار سرعت بالای اجرای آن نشان داده¬اند.
- Abstract
- The goal of this thesis has been to develop new methods for three-dimensional segmentation of brain structures from Magnetic Resonance Images (MRI). To this end, three methods are developed where the second and third methods are enhanced versions of the first method. In the proposed methods, Geometric Moment Invariants (GMIs) along with image intensity values are used as input features and signed distance function of a structure as the output. In the first step of the final method, multiple Artificial Neural Networks (ANNs) are used to establish relations between input features and the output. In this stage, GMI’s are extracted from different scales of images and ANNs are developed to approximate the functional relations between the features and distance maps. In the second step, the outputs of the first step are used along with image intensity values as inputs of another ANN. The output of this ANN is either 1 or -1 where 1 means that the voxel belongs to the structure and -1 means that it does not belong to it. Here, ANN is used as a classifier. To expedite execution of the proposed algorithm, a new method is proposed for fast moment calculation. The proposed methods are used for the segmentation of four brain structures: putamen; caudate; thalamus; and hippocampus. Experimental results show high performance of the proposed methods compared to the previous methods in terms of accuracy and execution speed.
