الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.
قیمت
قیمت این مقاله: 38000 تومان
(ایران ترجمه - Irantarjomeh)
توضیح
بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.
یک الگوریتم تقسیم بندی موازی برای تصویربرداری پزشکی
نام انگلیسی
A New Parallel Segmentation Algorithm for Medical Image
تعداد صفحه به فارسی
۲۱
تعداد صفحه به انگلیسی
۸
کلمات کلیدی به فارسی
تصویر CT, تقسیم بندی موازی, رشد منطقه ای, ماشین بردار پشتیبان
کلمات کلیدی به انگلیسی
CT Image, Parallel Segmentation, Regional Growth, Support Vector Machine
مرجع به فارسی
ژورنال بین المللی پردازش سیگنال، پردازش تصویر و شناسایی الگو
کالج علوم کامپیوتر و فناوری، دانشگاه هاربین، چین
مرجع به انگلیسی
International Journal of Signal Processing, Image Processing and Pattern Recognition; School of Computer Science and Technology, Harbin University of Science and Technology, Harbin, China
کشور
چین
یک الگوریتم تقسیم بندی موازی برای تصویربرداری پزشکی
چکیده
در آنالیز تصویربرداری پزشکی، فرآیند جداسازی یا تقسیم بندی موازی به عنوان یک فناوری اصلی و مهم به شمار می آید. به عنوان یکی از روش های کلاسیک، الگوریتم های رشد ناحیه ای دارای مشکلات خاصی می باشند: بطور مثال تأیید بر نقاط تغذیه به صورت اتوماتیک مشکل است. به منظور حل این نقص، یک الگوریتم تقسیم بندی موازی جدید با توجه به رشد ناحیه ای و ماشین بردار پشتیبان (SVM) ارائه شده است. SVMها دارای نتیجه خوبی در ارتباط با جداسازی (دسته بندی) می باشند، اما در عین حال از یک نرخ همگرایی غیرایده آل برخوردار هستند که در حقیقت به عنوان مزیت روش رشد ناحیه ای به شمار می آید. بنابراین، ترکیب آنها و ایده مربوط به این الگوریتم را می توان به شرح ذیل مشخص نمود: رده بندی به وسیله SVM جهت جستجوی نقاط دانه ای / نقاط اولیه، جدا سازی به وسیله روش رشد ناحیه ای. فیلتر جریان انحنا نیز در این الگوریتم جهت کاهش نویز بکار گرفته شده است. آزمایشات مربوطه نیز بر روی یک گشتاور محیط مبنای موازی انجام شده اند. نتایج نشان دهنده آن هستند که این الگوریتم سریعتر از الگوریتم های متعارف می باشد و نتایج حاصله نیز بهتر هستند.
کلمات کلیدی:تصویر CT، تقسیم بندی موازی، رشد منطقه ای، ماشین بردار پشتیبان
الگوریتم تقسیم بندی موازی تصویربرداری پزشکی
۱- مقدمه
فرآیند تقسیم بندی تصویر پزشکی که اقدام به تقسیم تصویر به نواحی متعدد معنی دار می نماید به عنوان یک فناوری کلیدی در پردازش و آنالیز تصاویر پزشکی به شمار می آید [۱]. پیشرفت فناوری تفکیک و تقسیم بندی تصویر نه تنها بر روی پیشرفت های پردازش های تصویری پزشکی، نظیر فرایندهای بصری سازی، بازسازی سه بعدی، ثبت و انتشار تصاویر پزشکی با الگوهای مختلف تأثیرگذار می باشد، بلکه نقش بسیار مهمی در آنالیز تصاویر بیوپزشکی نیز به عهده دارند.
تا آنجایی که به ویژگی های ذاتی این مؤلفه مرتبط است، تصویر پزشکی به صورت فازی می باشد [۲]، چرا که در اینجا با عامل های فازی بسیاری در تصویر پزشکی رو به رو هستیم، نظیر مقیاس خاکستری، بافت و کرانه یا مرز ناحیه و موارد متعدد دیگر. به علاوه، برای داده های انبوه تصویربرداری پزشکی، ما می بایست کارایی و سرعت فرآیند تفکیک سازی یا تقسیم نمودن تصاویر را به صورت همزمان در نظر داشته باشیم. به واسطه این ویژگی های مرتبط با تصویربرداری پزشکی، تاکنون یک تئوری و روش مناسب کلی، که قابلیت کاربرد آن به عنوان یک راه حل کامل در ارتباط با سئوال تقسیم بندی تصاویر پزشکی وجود داشته باشد، حاصل نشده است.
…
بخش های باقیمانده این مقاله به شرح ذیل سازماندهی شده اند: بخش ۲ نشان دهنده تحقیقات مرتبط اصلی می باشد. در بخش ۳، ما الگوریتم مورد نظر خود را ارائه داشته و جزئیات آن را عرضه می داریم. ما آزمایشات مربوطه را در بخش ۴ عرضه خواهیم نمود. در نهایت، نتیجه گیری و ویژگی های مرتبط با آن در بخش ۵ عرضه خواهد شد.
الگوریتم تقسیم بندی موازی تصویربرداری پزشکی
۲- تحقیقات مرتبط
۲ـ۱٫ ماشین بردار پشتیبان
الگوریتم ماشین بردار پشتیبان (SVM) یک تکنیک فراگیری ماشینی بر مبنای تئوری آماری می باشد [۵ـ۷]. در مقایسه با تکنیک های فراگیری متعارف ماشینی، این تکنیک می تواند بر مشکلات ابعادی با توجه به مشکلات مرتبط غلبه نماید و همچنین از قابلیت های تعمیمی قدرتمندی نیز برخوردار است.
تئوری ماشین بردار پشتیبان بر مبنای اصول عملیاتی تحت عنوان یک مؤلفه به حداقل رسانی ریسک ساختاری می باشد که هدف آن به حداقل رسانی خطای کلی مورد انتظار است، به گونه ای که این سیستم از قابلیت کلی بالایی برخوردار است.
نمونه های ورودی x به فضای ابعادی با ابعاد بالای H از طریق نگاشت غیرخطی F(x) در فرآیند رده بندی الگو نگاشت می گردد. متعاقباً این نمونه ها به صورت خطی در فضای ویژگی های نگاشت دسته بندی می شوند. در عمل، تابع دسته بندی SVM را می توان به شرح ذیل بیان داشت: کلیه مواد چاپ، شامل متن، توضیح ها، و نمودارها، می بایست در داخل پارامترهای ۱۶/۱۵ ۸ اینچی ( ۷۵/۵۳ پیکا) از نقطه نظر طول ستون و ۱۶/۳ ۵ اینچی (۳۶ پیکا) از نقطه نظر پهنای ستون جای داده شوند. لطفاً اقدام به نوشتن یا چاپ خارج از پارامترهای ستون ننمایید. حاشیه ها به میزان ۱۶/۵ ۱ اینچ در اطراف (۸ پیکا)، و ۸/۷ اینچ و در بخش فوقانی (۵/۵ پیکا) و ۱۶/۳ ۱ اینچ (۷ پیکا) در بخش تحتانی مدنظر هستند.
۲ـ۲٫ تقسیم تصویر بر مبنای روش رشد ناحیه
الگوریتم های رشد ناحیه، که ایده اصلی آن بر مبنای روش رشد ناحیه می باشد قابلیت بکارگیری نقاط پیکسلی مشابه در یک ناحیه را داشته و به عنوان یک رویکرد کارآمد برای تقسیم نمودن یا تفکیک تصویر مدنظر می باشد. به طور نوعی، رشد ناحیه می بایست از یک ناحیه دانه ای آغاز گردد که به عنوان ناحیه داخل موضوع مورد تقسیم مشخص شده است [۱۰]. پیکسل های مجاور این ناحیه مورد ارزیابی قرار گرفته تا مشخص شود که آیا آنها را نیز باید به عنوان بخشی از آن موضوع در نظر گرفت یا خیر. در صورتی که این مورد صحت داشته باشد، آنها به ناحیه اضافه شده و فرآیند تا زمانی که پیکسل های جدید به ناحیه اضافه شوند تداوم خواهد یافت.
الگوریتم تقسیم بندی موازی تصویربرداری پزشکی
۳- روش ها و مباحث ادراکی
این مقاله نسبت به ارائه یک روش تقسیم سازی یا تفکیک تصاویر بر مبنای SVM و رشد ناحیه اقدام می نماید. این روش به منظور آموزش SVM از نقطه نمونه متناظر بردارهای ویژگی استفاده می نماید. متعاقباً، نقطه تغذیه به عنوان ویژگی های محاسباتی مشخص و رده بندی می شود. این فرآیند به شرح ذیل اعمال می گردد:
انتخاب و مارکدار نمودن نقاط نمونه در ناحیه هدف و ناحیه غیرهدف
انتخاب یک ناحیه کوچک هر نقطه نمونه جهت استخراج ویژگی ها به منظور شامل نمودن در نمونه های آموزشی ماشین های بردار پشتیبان
آموزش ماشین بردار پشتیبان با نمونه آموزشی حاصله
تشخیص نقاط دانه ای در تصویر تفکیک شده با استفاده از ماشین بردار پشتیبان آموزش دیده.
۳ـ۱٫ ماشین بردار پشتیبان ترکیبی و رشد ناحیه
در دست آخر استفاده از یک فرآیند تبدیل فوریه سریع گسسته دو بعدی معکوس مدنظر می باشد. با حاصل آوردن مجموعه ای از ضرایب گسسته این امر مشخص می گردد. مقاله جاری یک ماشین بردار پشتیبان ترکیبی همراه با دیاگرام روش رشد ناحیه که در شکل ۱ نشان داده شده است را پیشنهاد می نماید.
این روش به چهار مرحله تقسیم می گردد:
آموزش کلاسی فایر با نمونه انتخابی: انتخاب مقدار مشخصی از نمونه آموزشی سورت کننده ماشین بردار پشتیبان از ناحیه هدف و ناحیه غیرهدف مرتبط با نتایج تقسیم شدگی تصویر و آموزش ماشین های بردار پشتیبان.
انتخاب نقطه دانه ای: پیکسل های هر ستون Nاُم مرتبط با ردیف Nاُم و چهار نقطه مجاور و کنترل آنها به وسیله SVM آموزش دیده، خواه آنها متعلق به ناحیه هدف باشند یا خیر، که در آن N یک ویژگی دانه ای خاص تلقی می شود. متعاقباً این پیکسل ها در هدف به عنوان نقاط دانه ای مارکدار خواهند شد.
فیلتر نویز بردار: یک فیلتر نویزبردار تصویر حاصله از انحنا جهت کاهش نویز بکار گرفته شده و چنین موردی همچنین در تعامل با یک نتیجه تقسیم بندی یکنواخت و تیز می باشد.
رشد ناحیه: رشد ناحیه از این نقاط دانه ای آغاز می گردد، با استفاده از مقدار آستانه سطح خاکستری جهت مشخص سازی این موضوع که کدام یک از نقاط را می بایست به عنوان ناحیه هدف مدنظر قرار داد.
۳ـ۲٫ تقسیم بندی تصویر به صورت موازی بر مبنای گشتاور
به واسطه آنکه هیچ گونه نسبیتی بین تصاویر به غیر از بین پیکسل ها و پیکسل های مجاور در هر تصویر وجود ندارد، ما قابلیت تفکیک تصاویر مختلف در گره های متفاوت در یک زمان مشخص را خواهیم داشت. ما نسبت به مشخص سازی الگوریتم تفکیک موازی از طریق مدل مستر ـ اسلیو تحت محیط گشتاور اقدام نمودیم. در اینجا توالی اصلی اجرایی ارائه می شود: در ابتدا، بر مبنای تعداد تصاویر و بار گره ها، گره صفر اقدام به ارسال تصویر که می بایست به موارد کوچکتر تقسیم گردد نموده و متعاقباً آماده دریافت نتایج می شود. در عین حال، پس از دریافت تصاویر، گره های دیگر اقدام به تقسیم تصاویر با استفاده از الگوریتم تقسیم بندی این مقاله نموده و متعاقباً آنها را ارسال می نمایند. این فرآیند تا زمانی تکرار می شود که کلیه تصاویر تقسیم بندی شده باشند. شکل ۲ نشان دهنده نمودار جریان کار است:
الگوریتم تقسیم بندی موازی تصویربرداری پزشکی
۴- آزمایشات و نتایج
این آزمایش از تصاویر CT 40´۵۱۲´۵۱۲ سینه که اقدام به تقسیم بخش های مختلف تصاویر سینه ۷۴۰´۵۱۲´۵۱۲ نموده استفاده می نماید. ما از هشت کامپیوتر شخصی با پردازنده AMDAthlon64 4800 به عنوان بستر سخت افزاری گره های رایانه ای خود استفاده نموده ایم. بستر نرم افزاری شامل Ubuntu 10.4، torque 3.0 و mpich2 می باشد. برنامه موازی ما بر روی این بستر جهت حاصل آوردن الگوریتم پیشنهادی اعمال شده است.
به طور نوعی، شاخص های اصلی ارزیابی عملکرد الگوریتم های موازی سرعت و کارایی می باشند. سرعت برای هر کدام از تعداد گره ها به عنوان n و نسبت زمان سپری شده به هنگام شروع رویه اجرایی در هر گره مدنظر قرار گرفته و کارایی نیز به عنوان مفهومی مرتبط با ضریب سرعت و تعداد گره ها مشخص شده است. ما از تعداد مختلفی از گره ها استفاده نموده و اجرای برنامه را برای ده بار مشخص کرده و نهایتاً مقدار میانگین همانند مورد نشان داده شده در شکل ۳ و ۴ را حاصل آورده ایم. نتایج تقسیم بندی در شکل های ۵ و ۶ نشان داده شده است.
الگوریتم تقسیم بندی موازی تصویربرداری پزشکی
۵- نتیجه گیری
این مقاله روش جدید جداسازی موازی تصاویر با استفاده از ماشین بردار پشتیبان با رشد ناحیه ای را ارائه می نماید. این روش اقدام به انتخاب نمونه از تصاویر حاصله از فرایند تقسیم شدگی نموده و از ماشین های بردار پشتیبان آموزش دیده جهت جستجوی نقطه دانه ای استفاده می نماید و در این کار از انتخاب دانه به صورت دستی پرهیز شده است. در مقایسه با صرف کاربرد ماشین های بردار پشتیبان، این روش سبب کاهش زمان تشخیص، و سرعت فرآیند جداسازی شده است. موازی سازی الگوریتم در محیط گشتاور نیز سبب ارتقای سرعت این فرآیند گردیده است. روش پیشنهادی این مقاله دارای ویژگی کاربردی مناسب در حوزه تقسیم و تفکیک تصاویر می باشد.
لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.
