تشخیص طحال از تصاویر MRI شکمی با استفاده از شبکه های عصبی وتبدیل آبخیز
محورهای موضوعی : مهندسی الکترونیک
زهره میری
1
(دانشگاه آزاد اسلامی واحد فسا ، کارشناسی ارشد گروه علمی مهندسی برق الکترونیک)
علیرضا ذوالقدراصلی
2
(عضو هیئت علمی دانشگاه شیراز)
مهران یزدی
3
(عضو هیئت علمی دانشگاه شیراز)
کلید واژه: شبکه عصبی, Neural network, MRI imaging, تبدیل آبخیز, تصویر برداری MRI, Watershed conversion,
چکیده مقاله :
امروزه MRI یکی از روش های مفید تصویر برداری است. از تصویر برداری MRI شکمی بطور گسترده ای در تشخیص های پزشکی از جمله تومورها، تشخیص بافت و غیره استفاده می گردد.لذا الگوریتمهای سریع و مناسب بخش بندی نقش مهمی در تشخیص بیماری ها، طبقه بندی و توصیف کمی بافت، جداسازی عناصر مختلف و تشخیص تومور دارد. در این مقاله یک سیستم اتوماتیک جداسازی طحال از تصاویر MRI شکمی ارائه شده است که شامل دو مرحله پیش پردازش و الگوریتم جداسازی طحال می باشد. پیش پردازش جهت نویز زدایی و بالا بردن کیفیت تصویر استفاده می شود. جداسازی طحال شامل سه مرحله بخش بندی با استفاده از تبدیل آبخیز، محاسبه ویژگی ها و مرحله آخر مقایسه این ویژگی ها با مقادیر مرجع می باشد.هر عنصری که ویژگی های آن به ویژگی های مرجع نزدیکتر باشد بعنوان طحال برچسب زده می شود.برای بدست آوردن مقادیر مرجع که همان ویژگی های شکلی طحال می باشد، از یک شبکه عصبی رو به جلو استفاده شده است. نتایج خروجی طحال بدست آمده با خروجی طحال که توسط یک متخصص استخراج می گردد مقایسه و درصد اختلاف این دو خروجی به عنوان خطا در نظر گرفته می شود.
MRI is one of the most useful imaging techniques today. Abdominal MRI imaging is widely used in medical diagnoses such as tumors, tissue diagnostics, etc. Therefore, fast and appropriate segmentation algorithms play an important role in diagnosing diseases, classifying and quantifying tissue, isolating different elements and diagnosing tumors. In this paper, an automatic spleen separation system from abdominal MRI images is presented, which includes two stages of preprocessing and spleen separation algorithm. Pre-processing is used to de-noise and improve image quality. Isolation of the spleen consists of three stages of segmentation using watershed conversion, calculation of features, and the final step of comparing these features with reference values. Any element whose properties are closer to the reference properties is labeled as a spleen. A forward neural network was used to obtain the reference values, which are the same as the shape of the spleen. The results of the spleen output obtained are compared with the spleen output extracted by a specialist, and the percentage difference between the two outputs is considered as an error.
_||_
