مشخصات

زبان

بانک اطلاعاتی

فایل ها

توضیحات

m فایل متلب ، تصویر تست و گزارش کار ۱۵ صفحه ای در فایل ورد دارد

۷۷,۰۰۰ تـــــومان

مطالب مرتبط

بهبود قطعه بندی تصاویر تومور مغزی با الگوریتم SVM و جنگل تصادفی در MATLAB

بهبود قطعه بندی تصاویر تومور مغزی با الگوریتم SVM و جنگل تصادفی در MATLAB

بهبود قطعه بندی تصاویر تومور مغزی با MATLAB

در این بخش پروژه بهبود قطعه بندی تصاویر تومور مغزی با الگوریتم SVM و جنگل تصادفی در نرم افزار متلب به همراه گزارش کار فارسی آماده کرده ایم که براساس مقاله Deep Random Forest-based Learning Transfer to SVM for Brain Tumor Segmentation انجام شده و بهبود هایی بر روی روش کار مقاله اعمال شده است. در ادامه توضیحاتی از معرفی پروژه ارائه شده و فیلم و تصاویر خروجی پروژه در محیط متلب قرار داده شده است.

تومور مغزی (Brain Tumor)

تومور مغزی یکی از خطرناک ترین بیماری هایی می باشد که برای بشر اتفاق افتاده است. اگر تومور به درستی و در مراحل اولیه آن شناسایی شود، شانس زندگی بیمار می تواند افزایش پیدا کند. روش تقسیم بندی تصویر ام آر آی مغز به طور گسترده ای برای تصویر سازی آناتومی و ساختار مغز مورد استفاده قرار می گیرد. در طی سال های اخیر تصویر برداری تشدید مغناطیسی (MRI) نسبت به دیگر روش های تصویر برداری پزشکی، برای معاینه و تشخیص کمکی تومور های مغزی بسیار مورد استفاده قرار گرفته که علاوه بر داشتن کنتراست بالا برای بافت ‌های نرم، هیچ یک از آسیب‌ های اشعه‌ رادیواکتیو را برای انسان ندارد. پزشکان با قطعه بندی تومور در تصاویر MRI مغز می‌ توانند اطلاعاتی از موقعیت و اندازه‌ی تومور بدست آورند و با کمک تجربه و دانش خود برنامه‌ درمانی بیمار را مشخص کنند. انجام قطعه بندی به صورت دستی برای حجم عظیمی از تصاویر MRI روندی زمان ‌بر و خسته‌ کننده می باشد و ممکن است باعت اشتباه در تشخیص مرز های تومور توسط پزشک گردد؛ با توجه به این موضوع توسعه‌ یک سیستم تشخیصی خودکار یا نیمه خودکار به کمک کامپیوتر در درمان های پزشکی واقعی مورد نیاز می باشد تا بتواند حجم کاری پزشکان را کاهش داده و دقت را با دادن نتایج عینی بهبود بخشند. تکنیک های قطعه بندی تومور به چهار روش مبتنی بر آستانه، مبتنی بر منطقه، مبتنی بر پیکسل و مبتنی بر مدل می باشد.

معرفی پروژه

در این پروژه هدف ما به کاری گیری ترکیب الگوریتم ماشین بردار پشتیبان (Support Vector Machine – SVM) و الگوریتم جنگل تصادفی (Random Forest) به منظور قطعه بندی تصاویر مغزی برای تشخیص تومور مغزی می باشد. ما مدل پیشنهادی خود را با زنجیره مارکوف (Markov chain) و شبکه عصبی در محیط نرم افزار MATLAB مورد ارزابی قرار دادیم. نتایج به دست آماده از شبیه سازی با متلب نشان می دهد که الگوریتم ترکیبی SVM و جنگل تصادفی در مقایسه با دو روش دیگر در سه فاکتور حساسیت، اختصاصی بودن و دقت عملکرد بهتری داشته است.

مراحل کار پروژه

مراحل کار پروژه به این صورت است که در ابتدا تصویر وارد عملیات پیش پردازش تصویر می شود، در این مرحله ویژگی های عمده تصویر شناسایی شده با استفاده از فیلتر نویز های فرکانس بالا فیلتر می شود و در ادامه با استفاده از فیلتر میان گذران کیفیت تصویر بهبود بخشیده شده و کنتراست تصویر بهتر خواهد شد، مرحله دوم شامل آموزش شبکه های SVM و RF خواهد بود و در قدم آخر تست و راه اندازی برنامه رو در پیش خواهیم داشت. در قسمت آموزش ماشین ابتدا به آموزش یک جنگل تصادفی برای یادگیری مکان یابی محل و فضای اطراف تومور می پردازیم. در مرحله تست کردن ابتدا به صورت تصادفی یک محل برای فضایی که تومور در آن قرار دارد پیش بینی می شود. لازم به ذکر است برای بالا بردن سرعت کار و دقت لازم در این مرحله برای بهینه سازی از مقدار اولیه الگوریتم Kmeans برای بالا بردن دقت جنگل تصادفی استفاده شده است و در نهایت با توجه به شدت ویژگی های تصویر قسمت برچسب زده شده توسط جنگل تصادفی به صورت ورودی وارد به شبکه SVM وارد می شود و در این قسمت شبکه SVM آموزش دیده به قسمت بندی محل و محیط دقیق تومور می پردازد، سپس شبکه آموزش دیده RF_SVM به صورت حلقه های تکرار تا رسیدن به دقت تعریف شده توسط کاربر به تقسیم بندی می پردازد. پیش از این که تصویر وارد پردازش جنگل تصادفی شود تغییراتی روی آن اعمال می شود که این تغییرات شامل فیلترینگ، بهبود کنتراست و نرمالیزه کردن شدت تصویر می باشد.

بهبود قطعه بندی تصاویر تومور مغزی با الگوریتم SVM و جنگل تصادفی در MATLAB

شکل فرایند الگوریتم پیشنهادی

سپس ویژگی های دقیق هر پیکسل (شدت، میانگین و میانه) از تصویر استخراج می شود و در قسمت آموزش از این ویژگی ها برای یادگیری غیر خطی در شبکه RF و مقایسه آن با قسمت برچسب زده شده ابتدایی که شبکه پیش بینی کرده بود، استفاده می شود. در مرحله تست کردن این ویژگی ها و مکان استخراج شده نهایی که توسط RF مشخص شده برای یادگیری شبکه ماشین های بردار پشتیبان (SVM) وارد برنامه می شود و در نهایت محل دقیق تومور توسط ماشین بردار پشتیبان مشخص شده و مغز تقسیم بندی می شود.

بهبود قطعه بندی تصاویر تومور مغزی با الگوریتم SVM و جنگل تصادفی در MATLAB

شکل فرایند پیش پردازش الگوریتم پیشنهادی

 


تصویر 1
تصویر 2
تصویر 3
تصویر 4
تصویر 5
تصویر 6
تصویر 7
تصویر 8
تصویر 9
باکس دانلود
شناسه:
۴۹۳۷
توضیحات:
m فایل متلب ، تصویر تست و گزارش کار ۱۵ صفحه ای در فایل ورد دارد
قیمت:
۷۷,۰۰۰ تـــــومان
ثبت نظر
ریفریش کنید!
نظرات کاربران (۰ مورد)

هیچ نظری ثبت نشده است