مشخصات

زبان

بانک اطلاعاتی

فایل ها

توضیحات

m فایل متلب ، کامنت گذاری کدها ، تصاویر تست برنامه و فیلم نحوه اجرا دارد

۵۵,۰۰۰ تـــــومان

مطالب مرتبط

تشخیص لومن آئورت از تصاویر CT scan با الگوریتم K-means در متلب

تشخیص لومن آئورت از تصاویر CT scan با الگوریتم K means در متلب

تشخیص لومن آئورت از تصاویر CT scan با نرم افزار MATLAB

در این بخش پروژه تشخیص لومن آئورت از تصاویر CT scan با الگوریتم K-means در نرم افزار MATLAB آماده کرده ایم که در ادامه توضیحاتی از تصاویر سی تی اسکن و لومن آئورت ارائه شده و فیلم و تصاویر خروجی این پروژه مهندسی پزشکی قرار داده شده است.

تصویر برداری CT Scan

تصویر برداری توموگرافی کامپیوتری اشعه ایکس (CT) یک ابزار تشخیصی بسیار مهم است که در چندین رشته در زمینه مراقبت های بهداشتی مورد استفاده قرار می گیرد. تهیه سی تی اسکن (CT Scan) شامل سه مرحله است: تزریق رنگ رادیویی مات به جریان خون، گرفتن تصویر دو بعدی و باز سازی توالی به صورت سه بعدی و ایجاد آنژیوگرافی با استفاده از باز سازی سه بعدی یا نمایش دوباره تصویر سه بعدی به صورت دو بعدی. سی تی اسکن به پزشکان این امکان را می دهد که پس از باز سازی برش های مسطح، بافت های عمیق بیماران خود را به صورت سه بعدی مشاهده کنند. بدن انسان مملو از انواع مختلفی از بافت ها و تجمعات مانند رسوبات کلسیم است که با افزایش سن ظاهر می شوند. هر یک از این بافت ها در یک فیلم اشعه ایکس به‌ طور متفاوتی ظاهر می شوند، زیرا همگی چگالی های متفاوتی دارند که مستقیما با مقداری که تشعشع را هنگام عبور از بدن کاهش می دهند، مرتبط است. هنگامی که پزشکان در حال مشاهده تصویر برداری از بیمار خود هستند، بسیار مهم است که دیدگاه آنها از آسیب شناسی های بالقوه یا منابع افزایش عوامل خطر به خوبی در نظر گرفته شود.

تشخیص لومن آئورت از تصاویر CT scan با الگوریتم K means در متلب

تصویر برداری به یک امر لوکس و یک ضرورت برای بیماران و پزشکان تبدیل شده است. قبل از پیشرفت ثابتی که امروزه در تصویر برداری پزشکی مشاهده می کنیم، بیماری های مشکوک با استفاده از جراحی اکتشافی بیشتر مورد بررسی قرار می گرفتند، که در صورت نادرست بودن پیش بینی یا شک پزشکان، اغلب می تواند آسیب بیشتری نسبت به کمک داشته باشد. علاوه بر این، اگر آسیب شناسی مورد بحث در بدن سطحی باشد، و هنگامی که در ناحیه سمت راست لمس شود، نوعی احساس ایجاد کند، می توان این شک و پیش بینی ها را تا حدودی تایید کرد. متاسفانه، بیماری های متعددی وجود داشت که تشخیص آنها با استفاده از لمس سطحی و توصیف علائم، چندان بی اهمیت نبود و بسیاری از این شرایط محلی سیستم عروقی هستند.

سی تی اسکن از آئورت

در زمینه جراحی عروق، اغلب تمایل به مشاهده عروق خاص بدن، مانند آئورت، در صورتی که بیمار تحت عمل جراحی اندوواسکولار قرار دارد، می باشد. آئورت (Aortic) شریان اصلی است که خون هنگام خروج از قلب ابتدا وارد آن می شود و شاخه های محیطی از آن جدا می شوند تا سایر بافت های بدن را تامین کنند. با توجه به اینکه آئورت در قسمت بسیار عمیق بدن ما قرار دارد، چندین لایه از اندام ها، استخوان ها و سایر بافت ها وجود دارد که مانع دید پزشکان از آن می شود. در یک سی تی اسکن محوری با کنتراست، لومن عروق به روشنی نشان داده می شود، زیرا کنتراست تضعیف خون در برابر تشعشعات عبوری را افزایش می دهد. یک نمونه لومن آئورت در زیر نشان داده شده است.

تشخیص لومن آئورت از تصاویر CT scan با الگوریتم K means در متلب

تقسیم بندی دستی تصاویر برای رادیولوژیست ها کار بسیار وقت گیر و خسته کننده ای است (در مقیاس ساعت ها)، زیرا نیازمند ردیابی دستی منطقه مورد نظر در یک اسکن است که می تواند شامل بیش از هزار تصویر باشد. انجام این کار نه تنها بسیار وقت گیر است، بلکه بسته به کیفیت اسکن نیز می تواند بسیار دشوار باشد، و ناهماهنگی های بین فردی نیز ممکن است ایجاد شود زیرا ردیابی دستی می تواند بر اساس افرادی که اسکن را می خوانند بسیار ذهنی باشد. بنابراین، تلاش های عمده ای برای طراحی الگوریتم ها و نرم افزار کامپیوتری انجام شده است که تعصب بخش بندی را محدود می کند و در نهایت ثبات و دقت را افزایش می دهد، زیرا کامپیوتر می تواند تصمیمات تقسیم بندی خود را بر اساس مقدار پیکسل منفرد مشخص کند.

معرفی پروژه

هدف از این پروژه تشخیص لومن آئورت (Aortic Lumen) در یک سری سی تی اسکن می باشد. به منظور انتخاب لومن آئورت در یک برش محوری از سی تی اسکن، از الگوریتم خوشه بندی K-means استفاده شده است. تصاویر CT با برش محوری در محیط متلب وارد شدند و داده های تصویر RGB استخراج شدند. الگوریتم کی مینز (خوشه بندی k میانگین) روی هر تصویر با مشخص کردن نقاط به صورت تصادفی استفاده شد و در خروجی حاصل مجموعه ای از سه تصویر خوشه بندی شده را نشان می دهد که یکی از آنها فقط آئورت و ستون فقرات را در پس زمینه سیاه نشان می دهد. تصاویر زیر نمونه ای از نتایج حاصل از اجرای الگوریتم خوشه بندی kmeans را نشان می دهد. اگرچه الگوریتم به درستی نمی تواند مراکز خوشه ای را با هر تکرار تخصیص دهد، اما در انتخاب تنها لومن آئورت در تصویر مرکزی در شکل ۳ به خوبی عمل می کند. با پردازش تصاویر بیشتر، تشخیص مرکز لومن زمانی که در پس زمینه سیاه قرار دارد، بسیار بی اهمیت خواهد بود.

 


تصویر 1
تصویر 2
تصویر 3
باکس دانلود
شناسه:
۵۰۰۹
توضیحات:
m فایل متلب ، کامنت گذاری کدها ، تصاویر تست برنامه و فیلم نحوه اجرا دارد
قیمت:
۵۵,۰۰۰ تـــــومان
ثبت نظر
ریفریش کنید!
نظرات کاربران (۰ مورد)

هیچ نظری ثبت نشده است