تحلیل و فهم تصاویر پزشکی، از لحاظ کلینیکی برای تشخیص بیماریها و درمان، همچنین در بینایی ماشین و تشخیص الگو دارای اهمیت است. یکی از مهمترین مباحث در این زمینه، تشخیص مرز اشیاست که غالبا پایه ای برای پردازشهای بعدی همچون تشخیص عضو و بافت، بخش بندی تصویر، تحلیل حرکت، اندازه گیری پارامترهای فیزیولوژیکی و آناتومیکال و غیره است. گرچه یکی از بهترین روشهای تشخیص لبه استفاده از تبدیل ویولت است، اما تبدیل ویولت معمولی از نقایصی نیز برخوردار است. ازجمله نقاط ضعف این تبدیل وابستگی آن به شیفت ورودی و ضعف در تشخیص جهت های صحیح در زیرباندهای حاصله در حالت چند بعدی است. تبدیل ویولت مختلط، با استفاده از ویولت مادرمختلط، بر این نقاط ضعف غلبه کرده و در عین حال افزونگی و میزان محاسبات در این تبدیل قابل قبول است. این تبدیل به خصوص برای حالتهای چند بعدی و برای پردازشهای با دقت بالا از جمله پردازش تصاویر پزشکی، مفید است. در این مقاله پس از اشاره به نقاط ضعف تبدیل ویولت معمولی و معرفی تبدیل ویولت مختلط گسسته و مقایسه خصوصیات این دو تبدیل، از تبدیل ویولت مختلط گسسته برای بهینه سازی تصویر و تشخیص لبه تصاویر نویزی، استفاده شده است. نتایج شبیه سازیها حاکی از سادگی وکیفیت بالای روش مطرح شده در این مقاله نسبت به دیگر روشها در حوزه ویولت معمولی و یا حوزه تصویر به ویژه برای حالات نویزی است.

یکی از مهمترین بخش ها ی تصویر لبه ها می باشند. به مرز بین دو ناحیه از تصویر که دارای تفاوت قابل توجه در شدت روشنایی، رنگ و یا بافت باشد، لبه گفته می شود. تشخیص لبه یک مرحله اساسی در تقسیم بندی تصویر و یکی از مهمترین مراحل برای تشخیص ویژگی اشیاء در یک تصویر می باشد. اخیراً پژوهش های زیادی در زمینه تشخیص لبه انجام شده است که هر کدام سعی در تشخیص بهتر لبه های تصویر داشته اند در این پژوهش برای تشخیص لبه تصاویر دیجیتالی، از تئوری فازی و مفهوم خوشه بندی فازی استفاده شده است، در ابتدا پیکسل های تصویر بر اساس میزان سطح خاکستری آنها به خوشه هایی تقسیم شده و سپس با تعیین فیلترهای مناسب اقدام به تشخیص لبه تصویر شده است. روش پیشنهاد شده لبه های تصویر را به خوبی تشخیص داده، همچنین درتشخیص لبه هایی از تصویر که به علت سطح نور نامناسب و یا نویزی بودن امکان تشخیص صحیح آنها وجود ندارد عملکرد چشمگیری از خود نشان داده است. نتایج این پژوهش نشان داد روش پیشنهادی در اکثر موارد نتایج بهتری نسبت به روش های معمول ارائه داده است و این به علت عملکرد خوب آن در تشخیص جزئیات تصویر مانند ضخامت و قوی و ضعیف بودن لبه ها می باشد بخصوص در تصاویری که دارای وضوح کمتر و یا کانتراست پایین تری است عملکرد خیلی خوبی داشته است.

متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

مقدمه: این مطالعه جهت تعیین پارامتر سطح در استاندارد PASI در بیماری پسوریازیس با تشخیص لبه در پردازش تصویر طراحی شده است.روش بررسی: در این مقاله با استفاده از روش تشخیص لبه یک روش نیمه اتوماتیک کامپیوتری معرفی می شود که برای محاسبه پارامتر سطح در استاندارد PASI در فضای رنگی CIE_LAB و اتخاب آستانه خودکار جهت تفکیک پلاک های پوستی از تصویر استفاده می کند. در این روش از 15 بیمار با بررسی بیش از 20 تصویر برای هر کدام صورت گرفته است.یافته ها: پس از بررسی تصاویر بیماران با این روش در 65 درصد موارد دقت تشخیص تصویر بالای 90 درصد در 30 درصد ببین 80 تا 90 درصد و در 5 درصد بین 70 تا 80 درصد می باشد.نتیجه گیری: یکی از مزایای مهم این روش حذف خودکار موی سر و چشم و نویزهای موجود است. همچنین در این روش می توان کمترین دخالت دستی در اجرا به دست آورد. با توجه به مشخص بودن لبه بیماری از پوست و وابستگی رنگ نوع پلاک ها به رنگ پوست می توان با مطالعه جامع تر در زمینه پزشکی و پوست به اطلاعات کامل تری از آن دست یافت و این از برتری های این روش ارایه شده می باشد.

تشخیص شئ برجسته با هدف شناسایی و بخش بندی برجسته ترین و متمایزترین اشیاء یا نواحی در یک تصویر انجام می شود. شبکه های کاملاً کانولوشنی (FCN)، مزایای خود را در مسأله تشخیص شئ برجسته نشان داده اند، با این حال، بسیاری از کارهای قبلی بر دقت ناحیه برجسته تمرکز کرده اند اما به کیفیت مرز توجّهی ندارند. در این پژوهش، ما بر مکمل بودن بین اطلاعات لبه و اطلاعات شئ برجسته تمرکز می کنیم و یک ماژول تشخیص لبه را برای مدل سازی صریح اطلاعات لبه برای حفظ مرزهای شیء برجسته به شبکه پیشنهادی اضافه می کنیم. شبکه پیشنهادی ما سعی دارد این دو وظیفه مکمل را با کمک متقابل هم بهبود دهد. از طرف دیگر حضور اشیاء چند مقیاسی در مجموعه داده های تشخیص شئ برجسته نیاز به مدل سازی دقیق در سطح تابع هزینه برای مقابله با مشکل عدم تعادل بین پیش زمینه و پس زمینه در تصاویر دارد. از این رو، ما از تابع هزینه ترکیبی در مرحله آموزش استفاده می کنیم که به مقیاس اشیاء حساس نیست، و می تواند مسأله انسجام فضایی را بهتر مدیریت کند و به طور یکنواخت مناطق برجسته را بدون پارامترهای اضافی برجسته کند. مقایسه نتایج کمّی، کیفی به دست آمده توسط روش پیشنهادی با سایر روش های پیشرفته در شش مجموعه داده پرکابرد تشخیص برجستگی، نشان می دهد، روش پیشنهادی از عمل کرد خوبی برخوردار است و به سرعت می تواند مناطق برجسته را شناسایی کند. به طور خاص، روش ما بهترین عملکرد را در سه مجموعه داده آزمایشی پرکابرد از نظر معیارهای F-measure و MAE دریافت می کند که کارایی روش پیشنهادی را نشان می دهد.

در این مقاله روشی جدید برای استخراج ویژگی از تصاویر به منظور بالا بردن دقت تشخیص سرطان پوستی ملانوم ارائه می شود. این روش به صورت بدون نظارت اجرا می شود. برای این کار، ابتدا در یک فرآیند ناحیه بندی تصویر، ضایعه از پوست طبیعی اطرافش جدا می گردد. در مرحله بعد، یک سری ویژگی های بافتی و شکلی از تصویر ضایعه استخراج می شود: ماتریس هم رخداد، ماتریس طول اجزاء، ویژگی های جهتی فرکانسی، و پارامترهای تبدیل Ripplet، به عنوان ویژگی های بافتی؛ و ممان های زرنیک و ویژگی های طول شعاعی نرمالیزه شده برای بیان ویژگی های شکلی، مورد استفاده قرار گرفته اند. به طور کلی، تعداد 63 ویژگی بافتی و 31 ویژگی شکلی برای تصاویر استخراج شده است. ابعاد این ویژگی ها با استفاده از تبدیل PCA و یک روش پیشنهادی کاهش می یابند. برای طبقه بندی ویژگی های استخراج شده، طبقه بندهای شبکه عصبی پرسپترون، ماشین بردار پشتیبان، چهارمین نزدیک ترین همسایه، و بیز بکار رفته و طبقه بندی با استفاده ماشین بردار پشتیبان دارای دقت 89.1 درصد و صحت 92.07 است. الگوریتم پیشنهادی روی پایگاه داده ای از تصاویر برچسب خورده پوست پیاده سازی شده شد. نتایج طبقه بندی ها با استفاده از ویژگی های به دست آمده، نشان می دهد که روش پیشنهادی در طبقه بندی تصاویر، هم از جنبه دقت و هم صحت، بر روش های پیشین برتری دارد و دقت تا 91 درصد و صحت تا 94.73 درصد افزایش یافت.