فهرست شکل ها
عنوان صفحه
جدول ۱-مقایسه عملکرد الگوریتم DAS با الگوریتم ۱و ۲ ۸۹
فصل اول
مقدمه
۱-مقدمه
۱-۱-مقدمه
پردازش و آنالیز تصاویر را می‌توان به عنوان یک ساختار کاربردی و تکنیکی جهت بررسی, تحلیل و استخراج اطلاعات از تصاویر تعریف کرد. قطعه بندی تصاویر یکی از مهمترین و کاربردی ترین مراحل پردازش تصویر می باشد که در کاربردهای بسیاری از قبیل مسایل بینایی ماشین^۱, استخراج ویژگی^۲, ردیابی اجسام^۳, بازسازی سطوح^۴, تشخیص به کمک کامپیوتر^۵, پردازش تصاویر پزشکی^۶ و کاربردهای بسیار دیگر مورد استفاده قرار می گیرد. در این میان, پردازش تصاویر پزشکی با توجه به اینکه یکی از مهمترین ابزار تشخیص, بررسی و درمان بیماری ها برای پزشکان به حساب می آید و کاربرد گسترده ای در زمینه ایجاد تصاویر دو بعدی, سه بعدی و ۴ بعدی از بدن و مطالعات آناتومیک و فیزیولوژیک دارند و عمدتا تصویر برداری به صورت غیر تهاجمی^۷ و بدون ایجاد مشکل برای بیمار انجام می پذیرد, از اهمیت فوق العاده ای برخوردار می باشد.

معمول ترین و مهمترین روش هایی که امروزه برای تصویربرداری پزشکی غیر تهاجمی مورد استفاده قرار میگیرد شامل روش های زیر می باشند:
^۱ Machine Vision
^۲Feature Extraction
^۳Object Tracking
^۴Surface Reconstruction
^۵Computer Aided Diagnosis (CAD)
^۶Medical Image Processing
^۷Non Invasive
-تصویر برداری با امواج فراصوت^۱
-تصویر برداری انتشار پوزیترون^۲
-تصویر برداری رایانه ای تک فوتونی^۳
-تصویر برداری تشدید مغناطیسی^۴
-تصویر برداری با اشعه ایکس^۵
-پرتونگاری کامپیوتری^۶
یکی از مهمترین گام ها در تحلیل و پردازش تصویر پزشکی قطعه بندی این تصاویر, به معنای مشخص کردن مرز یک یا چند ساختارو یا اعضای آناتومیک بدن, می باشد چرا که این کار باعث ساده سازی در پردازش و استخراج اطلاعات تصویر شده و هم چنین موجب معنی دار شدن بسیاری از قسمت های تصویر می شود. در تصاویر واقعی پزشکی به دلیل عوامل ساختاری مختلفی از قبیل پیچیدگی ساختاری آناتومیک بدن, مجاورت و روی هم افتادگی بعضی از اندام ها و همچنین عوامل خارجی از قبیل وجود نویز, کم بودن وضوح تصاویر, مات شدن تصویر به دلیل حرکت بیمار و یا اعوجاج های ناشی از وسیله تصویر برداری, تصاویر گرفته شده دارای پیچیدگی بسیاری برای قطعه بندی می باشند. از این رو ممکن است بسیاری از الگوریتم ها در تشخیص دقیق و کامل مرز ها و سطوح در تصاویر پزشکی دچار مشکل شوند و این مسئله به یکی از چالش های اساسی در قطعه بندی تصاویر پزشکی تبدیل شده است.
در این میان, با توجه به اینکه تصاویر سه بعدی حاوی اطلاعات ارزشمندی از ساختارهای آناتومیک و بافت های بدن از قبیل حجم, شکل, اندازه, محل,وجود ناهنجاری و تغییر شکل اعضا بدست می دهند, قطعه بندی تصاویر سه بعدی کاربرد روز افزونی در تحلیل تصاویر پزشکی دارا می باشد. به همین جهت ارائه روش ها و مدل هایی جهت افزایش دقت و صحت نتایج قطعه بندی سه بعدی بسیار حائز اهمیت می باشد.
^۱ Ultra Sound Imaging
^۲Positron Emission Tomography (PET)
^۳Single Photon Emission Computed Tomography (SPECT)
^۴Magnetic Resonance Imaging (MRI)
^۵X-Ray Tomography
^۶Computed Tomography Scan (CT Scan)
۱-۲-خلاصه مسئله
با توجه به کاربرد روز افزون تصاویر سه بعدی به ویژه در علم پزشکی به ویژه به دلیل دارا بودن اطلاعات بیشتر نسبت به تصاویر دو بعدی و امکان پردازش و تحلیل ساده تر برای کاربر, نیاز به ارائه روش های دقیق تر در این زمینه غیر قابل انکار می باشد. از طرفی قطعه بندی تصاویر سه بعدی یکی از گام های اساسی در زمینه پردازش این گونه تصاویر می باشد. تا کنون روش های متعدد و گوناگونی در قالب سه دسته روش های ساختاری^۱, روش های آماری^۲ و روش های ترکیبی^۳ جهت قطعه بندی اینگونه تصاویر ارائه گردیده است.در روش های ساختاری, مبنای الگوریتم بر اساس اطلاعات ساختاری تصویر می باشد.در حالیکه در روش های آماری اساس کار تحلیل آماری و ریاضی داده ها می باشد. هم چنین روش های ترکیبی سعی در استفاده از خواص دو روش قبلی دارند.
اگرچه گام های مهمی در طرح کلی قطعه بندی تصاویر سه بعدی برداشته شده است, همچنان چالشهای دشوار بسیاری برای این مسئله خصوصا برای تصاویر پزشکی وجود دارد.به عنوان مثال, در اغلب موارد, تصویر حاصل دارای نویز و همراه با کنتراست کم می باشد. از طرفی اثر حرکت بیمار و حجم نسبی در فرایند تصویر برداری می تواند با تار کردن لبه های بافت به راحتی باعث تخریب کیفیت تصویر می شود. از این رو در این پایان نامه هدف دستیابی به روشی برای قطعه بندی تصاویر سه بعدی با دقت بالا و حساسیت کم نسبت به عوامل مخرب تصویر می باشد. بدین منظور پس از بررسی روش های موجود در قطعه بندی تصاویر سه بعدی و تحلیل یکی از جدیدترین و دقیق ترین الگوریتم ها, الگوریتم بهبود یافته سطوح فعال برای قطعه بندی تصاویر سه بعدی ارائه می شود.
۱-۳-سرفصل ها
این پایان نامه در قالب ۷ فصل تهیه گردیده است.فصل ابتدایی مقدمه ای بر صورت مسئله مورد بررسی در این پایان نامه می باشد. در فصل دوم به پیشینه مسئله قطعه بندی تصاویر و روش های متداول مورد استفاده در این زمینه پرداخته شده است. در فصل سوم ساختار و عملکرد مدل های قابل تغیر شکل پارامتری مورد بررسی قرار گرفته است. فصل چهارم به بررسی و تشریح الگوریتم سطوح فعال منفصل برای قطعه بندی تصاویر سه بعدی پرداخته شده است. در فصل پنجم روش پیشنهادی جهت بهبود عملکرد الگوریتم سطوح فعال منفصل جهت قطعه بندی تصاویر سه بعدی به تفصیل بیان گردیده است. نتایج روش پیشنهادی و تحلیل آنها در فصل ششم
^۱Structural Techniques
^۲Statistical Techniques
^۳Hybrid Techniques
ارائه گردیده است. در فصل پنجم روش پیشنهادی جهت بهبود عملکرد الگوریتم سطوح فعال منفصل جهت قطعه بندی تصاویر سه بعدی به تفصیل بیان گردیده است. نتایج روش پیشنهادی و تحلیل آنها در فصل ششم ارائه گردیده است. و در نهایت در فصل هفتم نتیجه گیری و پیشنهادات مورد نظر بیان گردیده است.
فصل دوم
پیشینه تحقیق
۲-پیشینه تحقیق
۲-۱-مقدمه
قطعه بندی فرایندی است که تصویر را به قسمتهای همگن تقسیم می کند. بدین معنی که اشیاء مختلف موجود در تصویر، با توجه به کاربرد مورد نظر، از هم جدا میشوند تا تحلیل تصویر در مراحل بعدی راحت تر انجام بگیرد. از جمله موارد کاربردی قطعه بندی در پردازش تصویر است که امروزه در اکثر شاخه ها علمی و صنعتی از قبیل سنجش از راه دور, تصویر برداری اپتیکی و تحلیل تصاویر پزشکی مورد توجه می باشد.
با توجه به اینکه قطعه بندی تصاویر یکی از مراحل ابتدایی برای عملیات پردازش تصویر می باشد, دقت خروجی این مرحله در نتیجه کل پردازش تصویر بسیار مهم و موثر می باشد.از این رو روش های آماری و محاسباتی متعدد و گوناگونی , از روش های ساده و شهودی تا روش های پیچیده ساختاری, در راستای بهبود قطعه بندی تصاویر ارائه شده است.
۲-۲-مروری بر روش های قطعه بندی
به طور کلی براساس ساختار های متفاوت قطعه بندی, معیار های متفاوتی برای تقسیم روش های قطعه بندی تصاویر وجود دارد [۱و۲و۳و۴و۵و۶]. براساس تقسیم بندی روش های بر مبنای راهکار مورد استفاده برای قطعه بندی, می توان این روشها را به ۳ دسته کلی زیر تقسیم بندی کرد:
۱-روش های ساختاری^۱
۱Structural Techniques
۲-روش های آماری^۱