عنوان پایان‌نامه
جدا سازی خودکار استخوانها و دیسک در تصاویر MR ستون فقرات بر مبنای روش برش گراف
- رشته تحصیلی
- مهندسی برق-مخابرات-سیستم
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2404;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 61207
- تاریخ دفاع
- ۰۷ مهر ۱۳۹۲
- دانشجو
- فاطمه نصیری
- استاد راهنما
- حمید سلطانیان زاده
- چکیده
- انحطاط دیسک بین مهره ای بیماری است که با افزایش سن به دلیل بارهای مکانیکی، تروما، و عوامل تغذیه ای و ژنتیکی رخ می‌دهد و در تصاویر MR این انحطاط با نازک شدن فضای دیسک قابل تشخیص می‌باشد. کمینه سازی ویژگی‌های دیسک با بخش بندی دیسک بین مهره ای در تشخیص این بیماری بسیار مفید خواهد بود. از آنجایی که بخش بندی دستی بسیار وقت گیر و خسته کننده می‌باشد، فرآیندی کاملاً خودکار برای بخش بندی دیسک مورد نیاز است. در این پایان نامه روشی کاملاً خودکار برای بخش بندی دیسک بین مهره‌ها ارائه شده است. در چارچوب ارائه شده برای بخش بندی دیسک، ابتدا نیاز است تا بلوک‌های تصویر به دو گروه شی و پس زمینه طبقه بندی شوند، که این طبقه بندی با ترکیب خطی چندین ویژگی که از بلوک‌های تصویر و داده های آموزشی به دست آمده است، انجام می‌شود. دانه های اولیه برای روش برش گراف، با این کلاس بندی بلوک‌های تصویر بدست می‌آید. از آنجا که در تصاویر MR ستون فقرات بافت دیسک مشابه بافت‌های نخاع و چربی می‌باشد، و در بعضی تصاویر لبه‌ها بسیار ضعیف و محو می‌باشند، نیاز است که تابع هزینه‌ی الگوریتم برش گراف با توجه به دانش اولیه تغییر کند و مراحلی نیز بعد از اعمال روش برش گراف با عنوان مراحل پس پردازشی اعمال شود تا نتیجه مطلوب بدست آید. الگوریتم بر روی تصاویر MR ستون فقرات گردنی T1-weighted، 5/1 تسلا و با استفاده از داده های آموزشی‌ای که توسط متخصصان موسسه هنری فورد آمریکا بخش بندی شده‌اند، اعمال شد، که به طور میانگین 1/90 % موفقیت در بخش بندی در حالت دو بعدی و 88 % در حالت سه بعدی حاصل شد. این نتیجه در مقایسه با روش‌هایی که تا کنون ارائه شده در زمان کمتری اجرا شده و نیاز به هیچ ورودی توسط کاربر نمی‌باشد و بار محاسباتی کمتری دارد. فاز اول این روش نیز تنها بر روی تصاویر T1-weighted قابل اعمال می‌باشد.
- Abstract
- Disc degeneration occurs with advancing age due to mechanical loading, trauma, nutritional and genetic factors. In magnetic resonance (MR) images this degeneration is clear by narrowing the disc space. Quantification of disc features by segmenting intervertebral disc would be useful in diagnosing disc degeneration. Since manual segmentation is tedious and time-consuming, an automatic process is needed for disc segmentation. In this study, a method for fully automatic segmentation of intervertebral discs is presented. In the proposed framework, first we classify the blocks of the image to region of interest (ROI) and background blocks. To guide the classification, training data from both ROI and background blocks is collected. The classification is done by linear combinational of several features extracted from image blocks. The classified blocks are used to define initial seeds for graph cut (GC) method. Since the MR images of spinal cord have weak edges in some parts and the intensity of intervertebral discs is similar to spinal cord and fat tissue the image segmented by GC (GC mask) requires post-processing operations. These post-processing stages are applied to GC mask based on image content and training images. The proposed method was tested on 1.5 T, T1-weighted MR images, that were also segmented by experts in Henry Ford hospital, Detroit, MI, USA. Results show 90.1% accuracy in two-dimension segmentation, and 88% accuracy in three-dimension segmentation. This method has less complexity in comparison to other methods, and runs in a shorter time; the method has been developed for T1-weighted images and may not be applicable to other images.
