در پروژه حاضر، یک سیستم تشخیص خودکار دو مرحله ای به منظور شناسایی خوشه های میکروکلسیفیکاسیون در تصاویر دیجیتال ماموگرافی معرفی شده است. برای پیاده سازی الگوریتم پایگاه داده nijmegen انتخاب شده است. در مرحله اول الگوریتم، با استفاده از 4 ویژگی، پیکسل های مشکوک به میکروکلسیفیکاسیون ، استخراج می گردند. در این مرحله از یک شبکه عصبی به منظور دسته بندی پیکسل ها استفاده گردیده است. با استفاده از همسایگی چهارنقطه ای این پیکسل ها به دانه های میکروکلسیفیکاسیون تبدیل می شوند. در مرحله دوم، از دانه های بدست آمده از مرحله قبل 25 ویژگی استخراج می شود که 8 ویژگی آنها مربوط به فریم های موجک گسسته و چرخشی می باشند و با استفاده از یک دسته بند غیرخطی عمل دسته بندی اجسام صورت می پذیرد. در این مرحله، چهار دسته بند شبکه عصبی، ماشین بردار پشتیبان (svm) با هسته چند جمله ای و گوسی و ماشین بردار مرتبط به عنوان دسته بندهای منفرد، بر روی داده ها آزمایش گردیده اند. منحنی های froc بدست آمده از دسته بند های منفرد نشان می دهد که نتایج دسته بند ماشین بردار مرتبط بهتر از بقیه دسته بندها می باشد. جهت بهبود نتایج بدست آمده از روش های ترکیب دسته بندها استفاده نمودیم. به این منظور الگوریتم adaboost بهینه با جزءدسته بندهای ماشین بردار پشتیبان با کرنل چند جمله ای که ما آنرا به اختصار diverseadaboostsvm می نامیم مورد استفاده قرار گرفت. در انتها به منظور خوشه بندی دانه های میکروکلسیفیکاسیون ویژگی مساحت دانه های میکروکلسیفیکاسیون در هر خوشه را به معیارهای پیشین افزودیم. با استفاده از دسته بند diverseadaboostsvm، توانستیم به میزان صحت 14/97% با نرخ متوسط تشخیص مثبت اشتباه 64/0 در هر تصویر برسیم که نسبت به دسته بند های منفرد و نتایجی که پیش از این در کارهای قبلی ارائه شده است، نتیجه ای به مراتب بهتر است.

آنالیز کمی حرکت و تغییر شکل عضله قلبی (میوکارد)، در تصاویر چهاربعدی قلبی (مکانی-زمانی) کاربردهای کلینیکی و تشخیصی بسیاری دارد و شاخص مهمی در تعیین عملکرد و تشخیص بیماری-های قلبی همچون ایسکمی است و از جایگاه ویژه ای در پردازش تصاویر پزشکی برخوردار است. حرکت پیچیده میوکارد قلب، شامل حرکت در راستای شعاعی، پیچش محیطی و انقباض در راستای طولی است. از آنجایی که بطن چپ مسئول پمپ نمودن خون به بدن است، غالبا حرکت و تغییر شکل آن مورد بررسی قرار می گیرد و تلاش های بسیاری به منظور کمی سازی و تخمین حرکت آن انجام شده است. از روش های بررسی حرکت و تغییر شکل بطن چپ، می توان به روش های بینایی ماشینی اشاره نمود. به دلیل تنک بودن اطلاعات استخراج شده توسط این روش ها، غالبا از مدل هایی به منظور محدود کردن و درون یابی محاسبات استفاده می شود و حرکت قلب به صورت الاستیک خطی همچون فنر مدل می شود. حال آنکه قلب عضوی فعال است و فرض غیر فعال بودن برای آن صادق نمی باشد. در اینجا به منظور حذف مدل های مکانیکی استفاده شده در روش های بینایی ماشینی، از روش سطوح همتراز با قابلیت تناظریابی نقطه ای برای تخمین حرکت اندوکارد بطن چپ استفاده شده است. روش سطوح همتراز یک روش ناحیه بندی است که مزایای بسیاری نسبت به روش های ناحیه بندی لاگرانژی دارد. از جمله این مزیت ها می توان به پایداری، قابلیت دنبال کردن تغییرات توپولوژیکی، امکان گسترش به ابعاد فضایی بالاتر و ... اشاره داشت. علیرغم مزایای بسیار این روش، رویکرد اولری آن موجب از دست رفتن قابلیت تناظریابی نقطه ای می گردد. در اینجا از روشی برای بازگرداندن این ویژگی حائز اهمیت به روش سطوح همتراز استفاده و بر روی تصاویر مصنوعی و چهاربعدی mr قلبی پیاده-سازی شده است. در نتیجه، ناحیه بندی و تناظریابی سطح اندوکارد بطن چپ به طور همزمان بین فریم های متوالی سیکل قلبی انجام شده اند.

تصویربرداری mri یک روش غیرتهاجمی، مناسب و با دقت بالاست که جهت تهیه ی یک نقشه ی سه بعدی آناتومیکی از بافت ها استفاده می شود. بهره گیری مناسب کلینیکی از این تصاویر و استخراج اطلاعات حداکثری از آنها ضرورت پردازش خودکار رایانه ای را گریزناپذیر کرده است؛ زیرا حجم زیاد داده و زمان بر بودن تحلیل آن توسط متخصص، امکان پردازش دستی را عملی ناشدنی جلوه می دهد. ناحیه بندی تصاویر mri سر، از جمله ی این پردازش های خودکار است که می توان رویکردهای مختلفی را در نحوه ی استفاده از آن مد نظر قرار داد. ناحیه بندی بافت های سر برای کاربرد مسئله ی معکوس مکان یابی منبع سیگنال های الکتریکی و مغناطیسی مغزی و بررسی نحوه ی انتشار این امواج، اهمیت بسزایی دارد. عمده ی این اهمیت معطوف این به نکته است که، دقت در تشخیص موقعیت هندسی بافت ها اثر مستقیم بر صحت فرآیند معکوس مکان یابی خواهد داشت. در این بین ناحیه بندی تصاویر mri سر نوزاد موضوعی چالش برانگیز است و تحت تاثیر رشد سریع نوزاد، در کنار نسبت پایین سیگنال به نویز و کنتراست به نویز، و عدم انطباق شدت روشنایی بر موقعیت مکانی؛ پیچیدگی مسئله بیشتر می شود. هدف این پایان نامه ارائه ی روش ناحیه بندی خودکار مبتنی بر مدل است که به کمک آن بتوان پوست، جمجمه و نواحی داخلی مغز را در تصویر نوزاد بازشناسی کرد. در این فرآیند پس از پیش پردازش و بهبود آرتیفکت؛ به کمک دسته بندی کننده های غیرخطی و بر مبنای مشخصات شدت روشنایی، و ویژگی های مبتنی بر دانش و اطلاعات از پیش که از آن به عنوان مدل یاد می شود، به بازشناسی نواحی تصویر می پردازیم. به سبب عدم یکنواختی نواحی مختلف تصویر و ویژگی های فیزیکی غیریکسان مربوط به هر بافت، روش ارائه شده در این پروژه راهکاری وفقی است. ابتدا در گام پیش پردازش عدم انطباق شدت روشنایی و موقعیت مکانی که آرتیفکت جابجایی شیمیایی نام دارد؛ طی یک روند معکوس بهبود می یابد. در گام بعد آمارگان محلی بافت ها در نواحی مختلف تصویر استخراج می گردد. این ویژگی های وفقی در کنار مدل آماری به دست آمده برای جمجمه، به دسته بندی کننده ارائه می شود و بافت جمجمه از تصویر استخراج می گردد. بازشناسی جمجمه به عنوان بافت حایل بین پوست و نواحی مغز سبب تعیین موقعیت دقیق هر سه ناحیه می گردد. جهت ارزیابی الگوریتم پیشنهادی ابتدا به صورت کمی و کیفی و با کمک رادیولوژیست متخصص به ناحیه بندی دستی تصاویر می پردازیم که نتایج تایید شده ی آن به عنوان استاندارد طلایی در نظر گرفته می شود. سپس نتایج حاصل از ناحیه بندی خودکار بر مبنای معیار شباهت (si)، با استاندارد طلایی مورد مقایسه قرار می گیرد. نتایج کمّی نشان می دهد که دقت ناحیه بندی پوست و جمجمه در تصاویر به کار رفته در تهیه ی مدل به ترتیب 92/0 و 73/0 و برای تصاویر تست 88/0 و 62/0 می باشد. این نتایج در مقایسه با مقادیر به دست آمده در پژوهش های پیشین که در این زمینه صورت پذیرفته، دارای برتری است.

روش های پردازشی تصویر به منظور ارائه تصویری با بیشترین اطلاعات بینایی، متناسب با پروتزهای بینایی ، از جمله مقوله های مورد توجه در طراحی این نوع پروتزها می باشد. ما دراین پایان نامه ایده ای برای استخراج اطلاعات بینایی مبتنی بر هیستوگرام تصویر پیشنهاد می دهیم و در نهایت تصویری حاوی اطلاعات بینایی و مناسب برای بکارگیری در پروتزهای بینایی ایجاد می نماییم. به منظور بررسی کارایی الگوریتم پیشنهاد شده، این الگوریتم به همراه الگوریتم های موجود بر روی مجموعه تصاویر ایجاد شده پیاده سازی می گردد و به کمک مجموعه ای از افراد به سنجش گذاشته می شود. الگوریتم پیشنهادی در این ارزیابی با کسب 85% از بیشترین امتیاز قابل کسب، در بالاترین جایگاه کسب امتیاز قرار می گیرد. همچنین الگوریتم پیشنهادی بر روی ماژول cmucam3 که حاوی یک سنسور تصویر بردار و یک پردازشگر می باشد، پیاده سازی می شود و با دسته بندی اطلاعات استخراجی به فرمت های پیشنهادی، با نرخ 3/8 قاب بر ثانیه و با سرعت kbps125 آماده ارسال به روی یک پروتز بینایی می گردد. کلمات کلیدی: پروتز بینایی، پردازش تصویر، هیستوگرام، بسته بندی داده ها، رمزگذاری منچستر ، cmucam3.

روشهای فتوگرامتری و سنجش از دور با توجه به وسعت منطقه تحت پوشش از یک طرف و نیز دقت قابل قبول این روشها از طرف دیگر، به عنوان روشهای مناسب جهت تولید و بهنگام رسانی اطلاعات مکانی و نقشه های پوششی شناخته شده اند. در حال حاضر یکی از زمینه های تحقیقاتی مهم در این رابطه کاهش نقش اپراتور انسانی در استخراج عوارض از تصاویر با قدرت تفکیک مکانی بالا با بکارگیری الگوریتمهای مختلف پردازش تصویر است. با توجه به تعداد زیاد ساختمانها در مناطق شهری دستیابی به یک مدل یا الگوریتم جهت استخراج اتوماتیک یا نیمه اتوماتیک این عارضه از تصاویر هوایی و ماهواره ای می تواند نقش انسان را در تولید نقشه های بزرگ مقیاس شهری به حداقل رسانده و هزینه و زمان تولید آنها را به شدت کاهش دهد. منحنیهای پویا بعنوان بعنوان یکی از روشهای مبتنی بر مدلهای ریاضی با بکارگیری اطلاعات گرادیان و یا اطلاعات طیفی تصویر، یک منحنی از پیش تعریف شده را در یک فرآیند تکراری به سمت محدوده عوارض موجود در تصویر هدایت می نماید. استفاده از این روش در استخراج اتوماتیک ساختمانها از تصاویر با قدرت تفکیک بالای هوایی و ماهواره ای نیازمند توسعه مدلهای ریاضی موجود و بکارگیری داده های چند طیفی و داده های ارتفاعی می باشد. در این تحقیق دو مدل جدید از منحنیهای پویا بنامهای اختصاری dfac و ldfac جهت استخراج عارضه ساختمان توسعه داده شده است. این دو مدل جدید که جزء نوآوریهای این تحقیق می باشد، مشکلات مدلهای موجود در استخراج اتوماتیک ساختمانها از تصاویر با قدرت تفکیک بالا را برطرف نموده است. مهمترین مزیت مدلهای جدید قابلیت استخراج یک عارضه هدف از تصویر، پایین بودن حساسیت به نویز حاصل از عوارض موجود برروی سقف ساختمانها و تفکیک ساختمانهای بهم چسبیده می باشد. در ادامه این مدلها برروی تصاویر هوایی پیاده سازی شده و خروجیهای حاصل از این مدلها بررسی و ارزیابی شده است. بکارگیری این مدلها در تصاویر مربوط به مناطق با ساختار پیچیده نیازمند استفاده از قیود هندسی مربوط به ساختمانها بوده و در این میان داده های ارتفاعی بعنوان قید انتخاب گردید. در انتها روش نوینی بعنوان بخش دیگری از نوآوریهای این تحقیق، ارائه گردیده که با استفاده از داده های ارتفاعی حاصل از داده های lidar تک تک ساختمانها بصورت جداگانه توسط مدلهای پیشنهادی استخراج می گردند و از اعمال مدل برروی کل تصویر خودداری شده است. این روش برروی یک تصویر هوایی با ساختار پیچیده تست و نتایج حاصله نشان دهنده دقت موقعیت کلی 96 درصد می باشد.

در این پایان نامه، روشهایی سریع و در عین حال موثر برای تعیین مرکز دیسک نوری در تصاویر شبکیه و نیز شناسایی هویت بر اساس ویژگیهای استخراج شده از تصاویر شبکیه ارائه شده است. برای مکانیابی دیسک نوری الگوریتمهای متنوعی تاکنون ارائه شده است ولی در اکثر آنها با مشکلاتی نظیر زمان اجرای زیاد به دلیل انجام عملیات پیش پردازش (بخش بندی و جداسازی رگها) و ناکارآمدی آنها در صورت وجود بیماری (لکه های پاتولوژیکی) در شبکیه چشم روبرو هستیم، بنابراین دو الگوریتم جدید بر اساس شباهت هیستوگرام تصاویر انتخابی بعنوان الگو و نیز تعیین گوشه های حاصل از برخورد رگها با استفاده از الگوریتمهای گوشه یابی مختلف ارائه شده است. هریک از دو الگوریتم ارائه شده دارای دقتی برابر با 5/97% برای تعیین مرکز دیسک نوری تصاویر پایگاه داده drive میباشند. در ادامه دو الگوریتم مختلف جهت شناسایی هویت با استفاده از تصاویر شبکیه ارائه شده است. پیش از استخراج ویژگی از تصاویر شبکیه لازم است که اثر چرخش سر نسبت به دوربین، عدم تنظیم بودن دوربین و ... جبران شود. برای این منظور معمولا تخریب به صورت چرخش حول مرکز دیسک نوری و یا مرکز تصویر مدل میشود. در این پایان نامه تخریب بصورت چرخش حول مرکز تصویر مدل شده است. در الگوریتم اول از ویژگیهای تغییرناپذیر با چرخش استفاده شده است. ابتدا این ویژگیها را از تصویر استخراج نموده، سپس برای افزایش فاصله بین ویژگیهای افراد مختلف، آنها را با استفاده از یک تابع غیرخطی به فاصله جدید منتقل میکنیم. سپس از این ویژگیها جهت شناسایی هویت استفاده میکنیم. در الگوریتم دوم از ویژگیهایی نظیر هیستوگرام، فاصله مراکز دیسک نوری از مرکز تصویر، گوشه های حاصل از برخورد رگها و نهایتا از یک تابع شباهت برای تعیین شباهت تصاویر شبکیه استفاده شده است. الگوریتمهای ارائه شده به دلیل عدم نیاز به جداسازی رگها از سرعت بالایی برخوردارند. هریک از این الگوریتمها در دو مرحله مورد استفاده قرار میگیرد. ابتدا حضور فرد در داخل پایگاه داده بررسی میشود و در صورت تأیید حضور فرد در داخل پایگاه داده، هویت وی تعیین میشود. نتایج حاصل از اعمال الگوریتمهای فوق روی تصاویر شبکیه چشم و انجام آزمایشهای مختلف، دقت الگوریتمهای ارائه شده را تأیید مینماید. استفاده از ممانهای تغییرناپذیر با چرخش دارای دقتی برابر با 75/99% و استفاده از الگوریتم مقایسه هیستوگرام ها، فاصله مراکز دیسک نوری از مرکز تصویر و گوشه های حاصل از برخورد رگها دارای دقتی برابر با 100% برای شناسایی هویت تصاویر پایگاه داده drive و stare می باشد.

امروزه درمان شکستگی ها با استفاده از ابزار آلات و تجهیزات پزشکی مختلف، عملکرد بسیار متفاوتی نسبت به درمان شکستگی در دهه های گذشته در رشته ی ارتوپدی ایجاد کرده است. سامانه نیل درون اندامی، یک سامانه جراحی ارتوپدی برای درمان شکستگی های ساق و ران به صورت بسته می باشد. این سامانه با توجه به دارا بودن میانگین زمان جوش خوردن سریع تر استخوان، میزان عفونت پایین تر، مدت کم بستری در بیمارستان و زمان بازگشت به کار زودتر بیمار، روش ارجح درمانی محسوب می شود. ضعف این سامانه، امکان انحنای نیل در اثر ضربات وارد به آن هنگام ورود به کانال استخوان و در نتیجه خارج شدن سامانه از تنظیم اولیه است. با خارج شدن سامانه از تنظیم اولیه، امکان خطا به هنگام کارگذاری پیچ های قفل شونده انتهای نیل وجود خواهد داشت. به همین منظور در این پروژه سعی شده است که این ضعف با استفاده از یک دستگاه جانبی به عنوان مکان یاب نیل برطرف گردد. در طراحی سامانه دستگاه مکان یاب از تکنولوژی استفاده شده در فلزیاب ها بهره گرفته ایم. جنس نیل های درون اندامی، فولاد زنگ نزن پایه 316ال با رسانایی ms/m 3/1 است که آن ها را جزو دسته فلزات قرار می دهد. فلزیاب ها دارای یک سنسور برای جستجوی فلز و مدارات الکترونیکی برای تشخیص مکان فلز هستند. سنسور دستگاه، یک سیم پیچ است که عنصر فعال در یک مدار اسیلاتور می باشد. با نزدیک شدن سنسور به نیل و تاثیر نیل بر اندوکتانس سنسور، فرکانس نوسان اسیلاتور تغییر خواهد کرد. این تغییر فرکانس در مدارات تشخیص داده می شود و به صورت نمایش در 7-segment و روشن شدن تعدادی led در خروجی نمایان می گردد. هر چقدر تغییر فرکانس بیشتر باشد، اعداد نشان داده شده در 7-segment بزرگ تر خواهند بود و تعداد led بیشتری روشن خواهد شد. در این پروژه ابتدا با استفاده از نرم افزار های موجود، سنسور سامانه مکان یاب شبیه سازی گردیده و تاثیر متقابل نیل بر اندوکتانس سنسور محاسبه و مدارات الکترونیکی برای تشخیص تغییر فرکانس طراحی شده است. سپس مدار به صورت سخت افزاری پیاده سازی شده و نتایج خروجی آن در حضور نیل بررسی گردیده است. در انتها دستگاه به صورت کامل ساخته شده و می تواند در عمل در کنار سامانه نیل درون اندامی مورد استفاده قرار گیرد. نتایج بیانگر کارآمد بودن سامانه برای تشخیص مکان نیل و در نتیجه مکان پیچ های قفل شونده در انتهای نیل می باشد.

این تحقیق راهکاری نوین به منظور تخمین تغییرات موضعی میزان کشسانیِ عضله ی بطن چپ قلب ارائه می کند. با توجه به اینکه یکی از مهم ترین اطلاعاتِ در دسترس از قلب تغییرشکل آن می باشد، در اینجا نیز سعی شده است که با استفاده از ردیابی و کمّی سازی تغییرشکل بطن چپ قلب، تغییرات مکانی مدول کشسانی برآورد شود. برای رسیدن به این هدف ابتدا استوانه ای غیرهمگن که مدول کشسانی در آن به طور موضعی تغییر می کند با استفاده از روش المان های محدود مدل شده و دنباله ی تصاویر تغییرشکل آن بدست آمده است. در ادامه این دنباله تصاویر با استفاده از راهکار مش فعال ردیابی می شود. با تخمین جابجایی همه ی نقاط جسم از ردیابی، میزان تغییرشکل با محاسبه ی مقادیر کرنش کمی شده است. با استفاده از مقادیر کرنش و قانون هوک یعنی معادله ای که رابطه ی بین نیرو، تغییرشکل و جنس ماده را برقرار می نماید و براساس تحلیل تنش در ماده، تغییرات میزان الاستیسیته در استوانه غیرهمگن با میزان خطای nrmse بین 8 تا 11 درصد برآورد شده است. در ادامه با توجه به داشتن تخمین تغییرات موضعیِ مدول کشسانی الگوریتمی به منظور ردیابی با استفاده از مدل غیرهمگن طراحی شده و طبق این الگوریتم میزان خطای nrmse به بازه¬ی 4 تا 6 درصد کاهش داده می شود. در نهایت الگوریتم تخمین میزان کشسانی بر روی تصاویرmri واقعی از قلب بیمار آزمایش شده و نتایجی سازگار با تشخیص های پزشکی بدست آمده است.

بطور معمول در جراحی به کمک تصاویر پزشکی، یک یا چند تصویر سه بعدی (ct، mr) قبل از عمل جراحی بدست می آید، سپس در حین عمل جراحی، به منظور ایجاد یک نگاشت یک به یک بین مختصات در فضای فیزیکی و تصویر، بطوریکه نقاط متناظر دارای نقطه آناتومیکی یکسان باشند، عمل انطباق (مانند روش های استریوتاکتیک) صورت می گیرد. روش های استریوتاکتیک با استفاده از تبدیل بین فضای فیزیکی و تصویر، یک ابزار نمونه بردای یا انرژی (رادیودرمانی) به سوی بافت مورد جراحی (تومور) هدایت می کند. سامانه های راه یابی جراحی با استفاده از یک تبدیل، تغییرات موقعیت پروب جراحی را به صورت بلادرنگ بر روی تصاویر بدست آمده قبل از عمل جراحی، ردیابی می کنند. استفاده از مانیتور به منظور نمایش اطلاعات، پزشک جراح را مجبور می کند که بدون نگاه کردن به صحنه جراحی موقعیت پروب را در تصاویر گرفته شده قبل از عمل جراحی بر روی مانیتور ببیند. این حالت به چند دلیل نمی تواند ایده آل باشد. یکی اینکه جراح باید به طور ذهنی بین نمای جراحی و مانیتور کامپیوتر ارتباط برقرار کند و دیگر اینکه، نگاه نکردن جراح به صحنه جراحی زمانی که ابزار جراحی را نزدیک بافت های آسیب پذیر نگه داشته است، می تواند بسیار خطرناک باشد. ماهیت دوبعدی صفحه نمایش توانایی جراح را برای درک ساختارهای سه بعدی موجود در اطلاعات تصویر مرتبط با صحنه جراحی را محدود می کند. یک شیوه برای حذف این محدودیت ها، واقعیت افزوده (ar) است. در دهه اخیر تحقیقات قابل توجهی بر روی ar صورت گرفته است، که در آن ها روش های مختلفی برای انطباق دقیق استفاده شده است. در اکثر تحقیقات انجام شده، محققین از نشانک های نوری فعال به همراه سنسورهای داخلی جهت ایجاد انطباق دقیق استفاده کرده اند که نیازمند سخت افزارهای گران قیمت از قبیل دوربین های دارای فیلتر مادون قرمز است. بعلاوه از سنسورهای داخلی نیز برای انجام عمل انطباق دقیق استفاده می کنند که این نیز هزینه های بالایی را به همراه دارد. در طراحی سامانه های ar پزشکی دو چالش اساسی وجود دارد. یکی پایداری ردیابی بلادرنگ و دیگری دقت اندازه گیری بالا در این سامانه است. پایداری در شناسایی نشانک ها به الگوریتم آشکار سازی و الگوی نشانک ها بستگی دارد و دقت اندازه گیری بوسیله الگوریتم ها ی آشکارسازی دقیق برای اجرای کالیبراسیون دقیق دوربین بدست می آید. در این پروژه یک سامانه ar ارائه شده است که فقط مبتنی بر بینایی است و از بینایی استریو برای بدست آوردن اطلاعات عمق استفاده می کند. در این سامانه از نشانک های غیرفعال دایره ای با شعاع 5/1 سانتی متر که منبع انرژی خارجی اضافی برای راه اندازی آنها لازم نیست، استفاده شده است. rms خطای مکان یابی نشانک ها در فضای فیزیکی را در امتداد قطر میدان دید تا فاصله 94 سانتی متری از دوربین، 685/0 میلی متر بدست آوردیم که برای کاربردهای پزشکی مناسب است. لازم به ذکر است که، در مقایسه با نشانک های نوری فعال، ناپدید شدن بخشی از نشانک به سبب انسداد جزئی، تاثیر قابل توجهی روی دقت ردیابی ندارد.

نمایه گذاری و بازیابی تصاویر بر اساس محتوی، امروزه به یک نیاز مهم در کاربردهای مختلف تبدیل شده است. تاکنون روشهای متعددی برای این منظور بکار گرفته شده اند. رنگ، بافت و شکل سه عنصر اصلی برای استخراج ویژگی و نمایه گذاری تصاویر بشمار می روند. یکی از این روشها همبسته نگار موجک است. در این روش با استفاده از محاسبه همبسته نگار بر روی ضرایب موجک حاصل از تبدیل موجک بر روی تصویر، عمل نمایه گذاری و بازیابی با نرخی مناسب انجام می پذیرد. پژوهش های صورت گرفته مبتنی بر این روش بر روی تصاویر طیف خاکستری و با اتکا به ویژگی بافت بوده است. در این پژوهش بنا داریم با استفاده از روش چندی سازی برداری، عنصر رنگ را نیز وارد فرآیند اصلی همبسته نگار موجک نماییم و روشی ارائه نماییم که با استفاده توامان از رنگ و بافت، عمل نمایه گذاری و بازیابی تصاویر را به نحو احسن انجام دهد. بدین منظور ابتدا روشی ارائه شده است که حاصل تلفیق همبسته نگار رنگ و چندی ساز برداری است و بر اساس همبستگی بالای بین باندهای رنگی یک تصویر، ابتدا عمل چندی سازی به فرم برداری روی تصویر ورودی اعمال می گردد و سپس با استفاده از خودهمبسته نگار، نمایه ای در حجم بسیار کم از تصویر ساخته می شود و بازیابی بر مبنای همین نمایه شکل می گیرد. نتایج بدست آمده از این روش بر روی 1000 تصویر مورد آزمایش حاکی از یک جهش قابل توجه در معیار دقت و فراخوان در هنگام بازیابی است. در این رابطه، معیار دقت به درصد کم نظیر 74.4 رسیده است و برای معیار فراخوان نیز، درصد قابل توجه 45.6 حاصل شده است. در ادامه روش دیگری ارائه شده است تا هدف اصلی این پایان نامه را محقق سازد. در این روش ابتدا به سیاق روش همبسته نگار موجک، از یک تصویر رنگی در سه باند به طور مجزا تبدیل موجک گرفته می شود و سپس بر اساس همان ایده همبستگی بالای بین سه باند رنگی که پس از تبدیل موجک نیز تا حدود زیادی نیز حفظ می شود، سه تصویر حاصل از تبدیل موجک به طور همزمان چندی سازی برداری می گردند و در نهایت خودهمبسته نگار روی مقادیر چندی سازی شده اعمال می گردد. نتایج بدست آمده از این روش بر روی 1000 تصویر مورد آزمایش در قیاس با چند روش معروف و مشابه، نشان از ارتقا کمی و کیفی در معیارهای دقت و فراخوان دارد. بطوری که برای معیار دقت به درصدی در حدود 71 و برای معیار فراخوان نیز به درصدی در حدود 44.5 دست یافته ایم. این نتایج میانگین بدست آمده از آزمایش بر روی همه 1000 تصویر در قیاس با یکدیگر است.

به منظور بکارگیری مناسب و موثر تحریک الکتریکی در ساخت پروتزهای عصبی، لازم است نحوه تأثیر تحریک الکتریکی بر روی عملکرد سیستم عصبی به خوبی شناخته شود. به عنوان گام اول در تحقیق بر روی عوامل موثر در ایجاد تحریک مناسب می توان از مدل های ریاضی و شبیه سازی کامپیوتری استفاده کرد. در این پروژه پروتزهای روشبکیه ای مورد توجه قرار گرفته و پاسخ سلول های گانگلیون که هدف تحریک در پروتز روشبکیه ای هستند، به تحریک اعمال شده توسط میکروالکترودها شبیه سازی شده است. شبیه سازی های انجام شده در محیط شبیه سازی نرم افزار neuron که نرم افزاری کارآمد در حوزه عصب شناسی می باشد انجام گرفته است. فرآیند تحریک الکتریکی سلولهای گانگلیون در دو مرحله شبیه سازی شده است. در مرحله اول یک سلول گانگلیون با در نظر گرفتن تمام بخش های تشکیل دهنده آن شبیه سازی شده و در مرحله دوم پتانسیل الکتریکی توزیع شده در اطراف سلول، در طول بخش های تشکیل دهنده سلول محاسبه شده است. در نهایت پاسخ ولتاژ غشاء سلول به تحریک های اعمال شده بررسی شده است. بر خلاف مدل های پیشین، در شبیه سازی ارائه شده، مورفولوژی تمامی قسمت های تشکیل دهنده سلول به طور کامل در نظر گرفته شده است. همچنین محاسبات مربوط به توزیع پتانسیل الکتریکی، در تمام بخش های سلول به صورت سه بعدی انجام شده است. منبع تحریک بصورت یک الکترود نقطه ای در محیط نامحدود و همگن در نظر گرفته شده و برای اعمال جریان تحریک از پالس های تک فاز و دوفاز استفاده شده است. نتایج نشان می دهد که پاسخ های بدست آمده از لحاظ شهودی مطابقت بیشتری با مقادیر و نمودارهای حاصل از آزمایشات تجربی نسبت به مدل سازیهای پیشین دارد و در صورت توسعه مدل می توان از نتایج حاصل برای پیش بینی اثر تحریک اعمال شده بر روی سلول ها و نیز بهبود روش های تحریک استفاده کرد.

با رشد فناوری و عرضه دوربینهای فیلمبرداری پیشرفته، استخراج اطلاعات از ویدئوهای مختلف از جمله ویدئوهای ورزشی مورد توجه محققین قرار گرفته است. در تجزیه و تحلیل مسابقات فوتبال، تعیین دقیق موقعیت بازیکنها از موارد کلیدی است که اساس آنالیزهای بعدی نظیر ردیابی بازیکنها قرار می گیرد. همچنین با مرتبط سازی تصاویر به هم و تعیین مسیر بازیکنها روی موزاییک تصویری ایجاد شده می توان مسیر بازیکنها را به طور پیوسته برای بیننده به تصویر کشید. در این تحقیق، بازیکنها با چهار روش هیستوگرام، هیستوگرام- ماشین بردار پشتیبان، مدل گوسی ترکیبی و آدابوست آشکارسازی شده اند. سپس ارتباط تصاویر با مدل زمین با ماتریس هموگرافی برقرار شده است و موقعیت بازیکنها به فضای مدل زمین منتقل شده اند. بعد از حذف نواحی اضافی نظیر دروازه و خطوط، جداسازی بازیکنهای همپوشان، تعیین تیم بازیکنها و انتقال موقعیتها به سیستم مختصات مشترک، ردیابی در دو فضای تصویر و مدل واقعی زمین با روش متروپلیس و تبرید تدریجی انجام شده است. همچنین نتایج تعیین موقعیت بازیکنها در سه کاربرد ترسیم خط آفساید، تعیین فواصل بین بازیکنها با هم یا با دروازه و ردیابی در فضای مدل به کار برده شده اند و دقت موقعیت بازیکنها (با چهار روش آشکارسازی پیاده سازی شده) در سیستم مختصات واقعی (در سیستم متریک) ارزیابی شده است. نتایج الگوریتم پیشنهادی روی 78 فریم از 6 ویدئوی مختلف ارزیابی شده است و روش هیستوگرام- ماشین بردار پشتیبان دقیق ترین روش در تعیین موقعیت بازیکنها و روش آدابوست بهترین روش در آشکارسازی بازیکنها با لباس سبز است. روش مدل گوسی ترکیبی نتایج قابل قبولی ارائه داده است و به دلیل عدم نیاز به آموزش الگوریتم به منظور آشکارسازی بازیکنها در بعضی کاربردها مناسب است. همچنین روش جداسازی بازیکنهای همپوشان به خوبی از عهده حل مشکل همپوشانیها برآمده است و همزمان با برچسب دهی بازیکنها انجام شده است. با توجه به نتایج به دست آمده روش ردیابی پیشنهادی کاراست.

در این پایان نامه به ارائه روشی برای ردیابی همزمان چند هدف در تصاویر سلولی با استفاده از فیلتر ذره ای(rbpf)rao-blackwellized پرداخته ایم.تشخیص خط سیر سلول ها یکی از اصلی-ترین اقداماتی است که در میکروسکوپی گاه-گذشت کامپیوتری شده انجام می شود و ردیابی چند هدف به طور همزمان از چالش های اصلی در این زمینه می باشد. از طرف دیگر به علت ماهیت بعضی از اهداف سلولی، نیاز به ناحیه بندی اهداف قبل از ردیابی داریم. برای حل مشکلات مطرح-شده در بالا ما دو الگوریتم ردیابی بر پایه فیلتر ذره ای rbpfارائه کردیم. در یکی از الگوریتم ها مسئله ناحیه- بندی سلول را به عنوان یک مسئله حل شده در نظر گرفتیم، اما الگوریتم را طوری طراحی کرده ایم که قادر به ردیابی و تناظر داده تعداد نامعلومی از اهداف باشد. برای تناظر داده نیز از تناظر داده مونت کارلو به خاطر راحتی استفاده و قابلیت ترکیب شوندگی آن با فیلتر rbpfاستفاده کردیم. الگوریتم دوم پیشنهادی بر پایه استفاده از ضریب همبستگی و الگوهای تطبیقی با قابلیت بروزرسانی و پیش بینی مسیر اهداف با استفاده از فیلتر rbpf بود. در الگوریتم دوم تعداد اهداف ثابت در نظر گرفته شدو مشکل تناظر داده در این الگوریتم ظاهر نشد. علاوه بر این در الگوریتم دوم برای حل مسئله ناحیه بندی از یک الگوریتم نرم کننده بر پایه الگوریتم نرم-کننده سورتمه ای نیزاستفاده شد. علت استفاده از فیلتر rbpf در این پایان نامه این بود که این فیلتر در ساختار خود هم از خواص مفید فیلترهای کالمن و هم از خواص مفید فیلترهای ذره ای بهره می گیرد. برای آزمایش الگوریتم های ذکرشده در بالا از دو داده آزمایشی استفاده کردیم. داده مربوط به الگوریتم اول شامل 281 فریم از تصاویر مربوط به حرکت تعداد زیادی از باکتری های شبیه به باکتری معروف e.coli تشکیل شده بود. داده مربوط به الگوریتم دوم شامل 656 فریم از تصاویر مربوط به چندین سلول کلیوی میمون با ظاهر غیریکپارچه و متغیر با زمان بود که در آن مشکلات مربوط به ناحیه بندی سلول قبل از ردیابی نیز ظاهر می شوند.برای داده مربوط به الگوریتم اول در مجموع 281 فریم آزمایشی 38 باکتری وجود داشت که الگوریتم ما در مورد 5 باکتری دچار اشتباه در تناظر داده شد. همچنین در این ردیابی، 2240بار تناظر داده انجام شد که از میان آن ها تنها 24 مورد، مربوط به تناظر داده نادرست بود. برای داده مربوط به الگوریتم دوم نیز الگوریتم ما به خوبی اهداف را ردیابی کرد و الگوهای تطبیقی مربوط به هر هدف با موفقیت بروزرسانی شدند. نحوه ردیابی الگوریتم دوم ما با الگوریتم های متداول استفاده شده در تحقیقات پیشین در این زمینه مقایسه شد که نتیجه مقایسه نشان از برتری الگوریتم ما نسبت به سایر روش های موجود بود.

در این پایان نامه مساله ردیابی تصویری اشیاء بررسی شده است. در ابتدا این کار توسط اعمال فیلتر کالمن تطبیقی روی اطلاعات حرکتی جسم انجام شد بگونه ای که قابلیت ردیابی اشیاء شتاب دار نیز وجود داشته باشد. نتیجه ردیابی توسط این الگوریتم با ردیابی توسط فیلتر کالمن ساده و همچنین فیلتر کالمن با سرعت ثابت مقایسه شد و برتری آن نسبت به این روش ها نشان داده شد. سپس الگوریتمی ارائه شد که در آن فیلتر کالمن علاوه بر مدل حرکتی، بر روی مدل ظاهر جسم نیز به صورت جدیدی اعمال شده است. این الگوریتم برای مدل ظاهر پیش بینی انجام می دهد که در کار های قبلی وجود نداشته است. این قابلیت امکان ردیابی اجسام در شرایطی که ظاهر جسم تغییرات شدیدی پیدا می کند را فراهم می نماید. نتایج آزمایشگاهی نشان می دهد که در مواقعی که هدف به صورت جزئی یا کامل پنهان می شود، این الگوریتم قادر به پیدا کردن دوباره جسم است در حالی که استفاده از فیلتر کالمن غیر تطبیقی در هنگام پنهان شدن هدف آن را گم می کند. همچنین در هنگام تغییرات شدید روشنایی الگوریتم پیشنهادی قادر به ردیابی هدف می باشد.

ردیابی اهداف تصویری یکی از زمینه های فعال در حوزه بینایی ماشینی می باشد. استفاده از روش فیلتر ذره ای در سال های اخیر نتایج قابل توجهی را در بر داشته و از این رو این روش برای کاربرد های مختلف توسط محققین توسعه یافته است. در این پایان نامه ردیابی اهداف تصویری توسط فیلتر ذره ای مورد مطالعه قرار گرفته و الگوریتم های مختلف به این منظور پیاده سازی شده است. در ادامه با الهام گرفتن از کاربرد فیلتر ذره ای در ردیابی جاده و استخراج نقشه، به ردیابی رگ های شبکیه پرداختیم. نتیجه این ردیابی ارائه الگوریتمی جدید بر پایه روش تصمیم گیری بیز در ردیابی رگ های خونی در شبکیه است که به خوبی بر روی تصاویر مربوط به پایگاه داده drive اجرا گردید. در نهایت با توجه به این نکته که در مقالات ردیابی هیچ معیاری برای ارزیابی نتایج ردیابی رگ در شبکیه معرفی نشده است، اقدام به معرفی یک معیار جدید به نام نسبت تعداد پیکسل ردیابی به کل پیکسل های ردیابی دستی (amtr ) نمودیم. در روش های دیگر ردیابی رگ تلاش زیادی برای ردیابی رگ های شبکیه صورت نگرفته است و این تعداد معدود از روش های ردیابی بر اساس مقایسه پروفایل رگ ، یافتن میانه رگ و در روش های قدیمی تر بر پایه رشد ناحیه ای بوده است. بیشتر این روش ها بر روی تصاویر قلب و به خصوص تصاویر سه بعدی از آن ها بوده است. نتایج ارائه شده برای روش های دیگر اصولاً نتایجِ ناحیه بندی انجام شده نهایی بوده است و نتایج به طور صرف برای ردیابی ارائه نشده است. مقدار amtr به دست آمده در این پایان نامه، صرفنظر از صحت برچسب گذاری به طور میانگین 77/46 می باشد. روش های مبتنی بر رشد ناحیه ای با توجه به خطای بسیار زیاد تصاویر شبکیه غیر قابل استناد می باشند. روش های ردیابی بر اساس پروفایل رگ نیز با توجه به اینکه قادر به ارائه یک پروفایل عمومی و جامع نبوده اند، با خطای زیادی مواجه هستند. در نهایت باید به این نکته اشاره شود که در روش پیشنهادی در این پایان نامه زمان زیادی صرف اجرای کد برنامه می شود که دلیل آن پردازش های مرحله ای است که در هر مرحله نیز پردازش ذره ای و برداری روی تمامی ذره ای و بردارهای مربوطه انجام شده است.

در این پایان نامه یک الگوریتم بازشناسی الگوی ستاره به منظور تعیین وضعیت فضاپیما و برای ‏میدان دید 6/14 × 6/14 درجه به گونه ای طراحی شده است که در مقابل نویز مکانی و نیز عدم ‏قطعیت اندازه گیری قدر ستارگان مقاوم بوده و همچنین به حداقل حساسیت حسگر تصویربردار ‏وابسته نبوده و برای یک سامانه ی مستقل از پیش تنظیم رادیومتریک طراحی شده است. با توجه ‏به مقاومت بسیار خوب الگوریتم شبکه بندی در برابر نویز، از آن به عنوان روش پایه استفاده کرده-‏ایم. در الگوریتم شبکه بندی اصلی برای هر زوج ستاره، (ستاره ی مرکزی- ستاره ی همسایگی) یک ‏الگوی شبکه بندی را به گونه ای تشکیل می دهند که هر ستاره ی دیگر با قرار داشتن در یک سلول ‏بیانگر 1 و عدم حضور ستاره در سلول های شبکه بندی بیانگر صفر باشد. به این ترتیب مکان نسبی ‏ستاره های آسمان نسبت به ستاره ی مرکزی را به یک رشته بیت تبدیل نموده و با مقایسه ی این ‏رشته بیت با پایگاه داده عملیات بازشناسی را انجام می دهند. در این پایان نامه با ارایه ی روش های ‏جدید 1) حذف ناحیه ی ابهام، 2) تعیین اندازه ی سلول الگو موفق به ارایه ی یک الگوریتم ‏بازشناسی بهبود یافته با احتمال درستی 8/99% برای انحراف از معیار 103 قوس ثانیه در سنجش ‏خطای زاویه ی ستاره ها و نیز در شرایط عدم قطعیت با انحراف از معیار 4/0 قدر روشنایی و ‏مناسب در شرایط مستقل از پیش تنظیم رادیومتریک شده ایم. مقاومت این الگوریتم به میزان 8/1 ‏برابر انحراف از معیار نویز مکانی، بیشتر از الگوریتم های مشابه بوده و نیز در مقایسه با الگوریتم ‏هرم در مقابل تعداد میانگین غیرستاره ی بیشتری مقاومت دارد

تصویربرداری فراصوتی یک روش مطمئن و کم هزینه در فرآیند تشخیص و درمان بیماری می‏باشد. ساماندهی سیستمی بر پایه‏ی مدارات مجتمع، مبدل‏های آنالوگ به دیجیتال با کاربرد پزشکی و پروب‏های آرایه‏ی خطی می‏تواند هدفی با ارزش برای گروه‏های تحقیقاتی باشد. دقت در سیستم پالس‏اکو، ویژگی‏های پخش موج مکانیکی در فضا و تاخیر و تقدم مراحل انجام کار نتیجه بخش خواهد بود. برد تصویرگر طراحی و ساخته شده بر روی کامپیوتر شخصی به‏منظور تصویرگیری از آن راه‏اندازی شد. مبدل آنالوگ به دیجیتال، حافظه‏ی موجود در برد و ارتباط آن با کامپیوتر تست شد و درستی آن به اثبات رسید. استفاده از ارتباط سریال با فرکانس بالا باعث کاهش تعداد خطوط داده از مبدل به ریزپردازنده شده است. با برد تصویرگر از فانتوم فراصوتی تصویرگیری شد. پاسخ فرکانسی سیگنال‏های دریافتی با فیلتر پاسخ محدود فیلتر شد و دامنه‏ی پوش سیگنال با تبدیل هیلبرت آشکارسازی گردید. برای تناسب با محدوده‏ی دینامیکی چشم، تابع لگاریتمی به‏کار رفت و دامنه‏ی حاصل شده از قسمت قبلی، فشرده‏سازی و با دو مرحله درونیابی مکعبی تصویر نتیجه‏شده مقیاس‏دهی شد. بدین ترتیب پردازش‏هایی متناسب با اکوهای دریافتی از فانتوم صورت گرفت. توانایی تعویض و جاگذاری قسمتی از برد شامل کانکتور پروب فراصوتی این سیستم را نسبت به پروب‏های فراصوتی منعطف ساخته است. تصویر نهایی وضوح جانبی 10 میلی‏متر، وضوح محوری 5 میلی‏متر را نتیجه داده است. میدان دیدی به عمق 39 میلی‏متری به‏دست آمده است.

توموگرافی کامپیوتری با رزولوشن بالا (hrct) یک تکنیک تصویربرداری پزشکی است که چشم انداز روشنی از بدن انسان به منظور بازرسی بافت ریه در اختیار قرار می‏دهد. این تکنیک اندازه‏گیری‏های دقیقی از الگوهای بافتی مربوط به بیماری سیستیک فیبروز فراهم می‏آورد. سیستیک فیبروز (cf) یک بیماری مزمن ارثی و شایعترین اختلال اتومازول مغلوب در سفید پوستان است که عمدتاً ریه‏ها و دستگاه گوارشی را تحت تأثیر قرار می‏دهد. در ریه‏ها بیماری سیستیک فیبروز با ایجاد آسیب‏های متنوع در مجرا و دیواره‏ی راه‏های هوایی و در پی آن عفونت و التهاب، خانواده‏ای از الگوهای بافتی را پدید می‏آورد. هدف از انجام این پروژه ارائه یک سیستم تشخیص به کمک کامپیوتر (cad) خودکار جهت تشخیص و شناسایی بافت سالم و ناسالم تصاویر hrct از جمعیت نسبتاً بالایی از بیماران cf است، تا از این طریق بتواند به تشخیص پزشک و درمان زود‏هنگام این بیماری یاری رساند. الگوریتم ارائه شده به منظور طبقه‏بندی الگوهای بافت ریه از سه مرحله ناحیه‏بندی، استخراج ویژگی و طبقه‏بندی تشکیل شده است. در مرحله اول بافت ریه از نواحی قفسه سینه جدا می‏گردد. در مرحله دوم سه تبدیل پردازشی نوین شامل موجک گابور دایره‏ای، کانتورلت و فریم‏های موجک گسسته برای تولید بردار ویژگی از نواحی مطلوب (roi) تعریف شده درون بافت ریه استفاده می‏شود. سپس از میان بردارهای ویژگی، با استفاده از روش انتخاب ترتیبی پیشرو و انتخاب ترتیبی پسرو بردارهای ویژگی مستقلی که قدرت تمایز بیشتری دارند، انتخاب می‏شوند. در مرحله آخر الگوریتم ماشین‏های بردار پشتیبان فازی (fsvm) برای طبقه‏بندی الگوها در دو گام اعمال می‏گردد. در این مطالعه سه الگوی بافتی عمده مرتبط با بیماری cf (نرمال، برونشکتازی و التهاب) از یک پایگاه داده شامل 1100 تصویر hrct مربوط به 22 بیمار مبتلا به cf انتخاب شده و طبقه‏بندی می‏گردند. آزمایشات بر روی دو مجموعه آزمون مختلف انجام می‏گیرد. در مجموعه آزمون اول roiهای استخراج شده توسط روش پیشنهادی طبقه‏بندی می‏شوند و در مجموعه آزمون دوم الگوریتم طبقه‏بندی روی کل تصویر hrct اعمال می‏گردد. نتایج حاصل از این آزمایش‏ها نشان می‏دهد که روش پیشنهادی در مشخصه‏یابی بافت ریه با دقت کلی 8/77% شامل دقت 5/93% در گام اول و دقت 25/84% در گام دوم، نسبت به مطالعه مشابه انجام شده در این زمینه با دقت 6/72% از عملکرد مطلوب‏تری برخوردار است.

با افزایش داده های مورد نیاز برای تشخیص بیماری از تصاویر، کار پزشکدر مرتبط کردن یک تصویر با دیگری برای استخراج داده های مربوطه، بسیار پیچیده گشته است. ذات مکمل بودن تصاویرmr و ct و استفاده ی منظم از این دو روش تصویر‏برداری، انطباق تصاویر mrو ct را امری مهم ساخته است.فرآیند انطباق تصویر تعیین تبدیلی است که بتواند موقعیت اجزا را در یک تصویر با موقعیت اجزای متناظر در تصویر دیگر مرتبط سازد.در انطباق تصاویر mrو ct سر نوزادان موانعی وجود دارد که از مهمترین آنها می توان به تفاوت تصاویر گرفته شده از نوزادان نسبت به بزرگسالان اشاره کرد. از میان تفاوت ها می توان به نسبت کنتراست به نویز پایین در تصاویر نوزادان، نا همگنی شدت روشنایی تصویر،کوچکتر بودن اندازه ی سر که نیاز به تصاویری با دقت تفکیک بالا را موجب می شود، کامل نبودن استخوان جمجمه در نوزادان و وجود بخش هایی به نام ملاج و همچنین ساختار نرم و قابل انعطاف آن اشاره نمود. الگوریتم های موجود برای انطباق تصاویر بین شیوه ای و بین سوژه ای، تنها برای بزرگسالان جواب قابل قبولی می دهد و الگوریتمی در این زمینه برای تصاویر نوزادان ارائه نشده است. از آنجایی که در تصاویر سر نوزادان اطلاعات ساختاری واضح تر از اطلاعات شدت روشنایی می باشد، در این پروژه علاوه بر انطباق بر مبنای شدت روشنایی تصویر از انطباق مبتنی بر ویژگی نیز استفاده می شود. لذا اطلاعات مکانی در کنار اطلاعات شدت روشنایی در فرایند انطباق حضور خواهند داشت. در روش پیشنهادی ابتدا تصاویر با استفاده از تبدیل سخت و معیار شباهت اطلاعات متقابل نرمالیزه شده انطباق می یابند. سپس دو ویژگی بارز در تصاویر، یعنی سطح داخلی جمجمه در تصویر ct و سطح خارجی مغز همراه با مایع مغزی نخاعی در تصویر mrو سطح خارجی پوست در هر دو تصویر استخراج می شوند. دو ویژگی مذکور بصورت همزمان، توسط الگوریتم تکرار شونده ی نزدیک ترین نقاط،توسطتبدیل تغییر شکل فرم آزاد با توابع پایه ی بی‏اسپیلاین مکعبی و معیار شباهت حداقل مربعات فاصله به یکدیگر انطباق می یابند. نتایج نشان دهنده ی کارآمد بودن الگوریتم هم از نظر زمانی و هم از نظر دقت می باشد. با استفاده از معیار اندیس شباهت،الگوریتم پیشنهادی برای تصاویر mr به ct دارای دقت تقریبی 0.94 و برای ct به mr دارای دقت تقریبی 0.96 می باشد.

پایان نامه حاضر روشی را برای آشکارسازی تومورها در تصاویر ماموگرافی با استفاده از رویکرد میدان تصادفی مارکوف معرفی می نماید. در فصل اول مطالبی در مورد تصاویر ماموگرافی و چگونگی تصویربرداری از سینه بیان می شود. برای پردازش بر روی تصاویر ماموگرافی نیاز است که تصاویر دیجیتالی باشند. در پایان این فصل چگونگی دستیابی به این تصاویر تشریح شده است. در فصل دوم به معرفی mrf معرفی می شوند. در فصل سوم یک الگوریتم ناحیه بندی با استفاده از mrf چند دقتی بررسی می شود. سپس با استفاده از برخی ویژگی ها و درخت تصمیم گیری باینری فازی (fbdt)نواحی استخراج شده به مشکوک و نرمال طبقه بندی می شوند. همچنین در پایان این فصل، نتایج ناحیه بندی بر روی یک تصویر مصنوعی آورده می شود. در فصل چهارم در مورد پایگاه داده و چگونگی انتخاب پارامترهای برنامه آشکارسازی بحث می شود. در پایان فصل نیز برنامه ای که با استفاده از الگوریتم های ناحیه بندی و طبقه بندی نوشته شده است، روی تصاویر ماموگرافی اعمال می شود و نتایج آن مورد بررسی قرار می گیرد.

در این پایان نامه ما به بررسی مرحله ردیابی پرداختیم که این ردیابی براساس بافت تصویر و پیش بینی و تغییر بافت زمانی که از دوربین فاصله می گیرد پرداختیم و نتایج این آزمایشات نشان می دهد که با ترکیب این الگوریتم به همراه الگوریتم ردیابی با رنگ می توانیم به ردیابی با پایداری بسیار زیاد برسیم.

آگاهی از فرآیند رشد مغز در هفته های ابتدایی پس از تولد با استفاده از تصاویر غیر تهاجی تشدید مغناطیسی (mr) در تشخیص، پیشگیری و درمان بیماری های سیستم عصبی و همچنین تغییرات مورفولوژی ناشی از آنها و یا حتی تغییرات ناشی از سن و جنسیت در زمان نوزادی بسیار حائز اهمیت است. وجود یک مدل هندسی مناسب برای مطالعات مورفولوژی لازم است که انتخاب و تخمین بازه زمانی مناسب برای ساخت این مدل وابسته به سن با توجه به نرخ رشد مغز نوزادان و به منظور تحلیل رشد مغز موضوع مهمی است که هیچ تحلیلی مبتنی بر این امر در پژوهش های انجام شده در زمینه ساخت اطلس نوزادان ارائه نشده است. در این رساله، با توجه به نمودارهای رشد سر نوزدان در هفته های پس از تولد، دو بازه زمانی دو هفته ای بعنوان تفکیک پذیری زمانی مدل های هندسی وابسته به سن برای مطالعه رشد مورفولوژی در سطح ماکروسکوپی در هفته های پس از تولد فرض شد. بدین منظور دو بازه سنی 40-39 و 42-41 هفتگی از زمان شروع بارداری (ga) در نظر گرفته شده و دو مدل هندسی مبتنی بر تصاویر mr با وزن t1 در این بازه های سنی ساخته شد. سپس انحراف مکانی و پراکندگی برخی نشانگرهای آناتومی و میانگین متوسط و بیشینه طول بردار دگردیسی مکانی در 30 تصویر آزمون یکسان سازی شده به مدل های هندسی مقایسه و بررسی شدند. نتایج آزمون manova تفاوت معنی دار در انحراف مکان ویژگی های آناتومی و میانگین متوسط و بیشینه طول بردار دگردیسی مکانی را در این دو بازه سنی نشان داد. همچنین تحلیل کمی پراکندگی داده های یکسان سازی شده بین دو بازه سنی، تفاوت معنی دار بین ویژگی های مذکور و تاثیر یکسان سازی به مدل هندسی پویا را در مواردی که آزمون manova منجر به عدم رد فرضیه پوچ می شود نیز تایید کرد. با توجه به نتایج مطروحه در رنج سنی 42-39 هفتگی ga می توان نتیجه گرفت که فاصله زمانی دو هفته، کمینه فاصله زمانی در هفته های پس از تولد برای ساخت مدل هندسی وابسته به سن به منظور بررسی رشد مغز در سطح ماکروسکوپی می-باشد. سپس در این رساله، به کمک نگاشت گروهی بهبود یافته و با استفاده از 16 تصویر mr با وزن t1، دو اطلس مغز بدون بایاس و بدون تارشدگی در بازه های سنی مذکور ، 40-bt39 و 42-bt41، ساخته شد. بزرگتر بودن اطلاعات متقابل بین اطلس های ایجاد شده و تصاویر نگاشت یافته به آنها بدلیل شباهت بیشتر بین آنها در مقایسه با اطلس های موجود برای نوزادان و اطلس های ایجاد شده با روش نگاشت گروهی معمولی می باشد. بعلاوه نتایج نشان می دهد که اطلس مغزی نوزادان ایجاد شده در این رساله حاوی اطلاعات آناتومی غنی تری در مقایسه با دیگر اطلس های موجود برای نوزادان می باشد. با استفاده از اطلاعات دگردیسی و دترمینان ژاکوبین حاصل از یکسان سازی تصاویر به اطلس ها و یکسان سازی دو اطلس 40-bt39 و 42-bt41 به یکدیگر، تحلیل رشد مغز نوزادان در بازه زمانی مورد نظر انجام شد. بطور مثال، با استفاده از همپوشانی دترمینان ماتریس ژاکوبین حاصل از یکسان سازی اطلس مغزی 40-bt39 به اطلس مغزی 42-bt41 می توان نواحی که تغییر حجم بزرگتر و یا کوچکتر از تصویر مرجع در یکسان سازی دارند را مشخص کرد.

در این پایان نامه روش هایی بر بهبود الگوریتم غیرپارامتری وزنی ارائه شده است. با توجه به این موضوع که هسته الگوریتم غیر پارامتری وزنی افزایشی، الگوریتم غیر پارامتری وزنی می باشد این پایان نامه الگوریتم-هایی جدید برای بهبود سرعت و دقت الگوریتم های غیرپارامتری وزنی ارائه می کند و سپس از آن ها برای بهبود الگوریتم غیرپارامتری وزنی افزایشی بهره می برد. مبنای پردازش در این تحقیق استفاده از تابع وزن جدید و روش های انتخاب و استخراج ویژگی می باشد. در این پایان نامه مهم ترین روش های کاهش بعد هم-چون تحلیل مولفه های اصلی، تحلیل تمایز خطی، تحلیل تمایز غیرپارامتری ارائه نموده ایم و در ادامه الگوریتم هایی برای بهبود سرعت و همگرایی مثل تحلیل مولفه های اصلی افزایشی، تمایز خطی افزایشی، تمایز غیرپارامتری استاندارد و وزنی افزایشی، تحلیل غیر پارامتری وزنی پراکندگی، تحلیل غیر پارامتری وزنی ترتیبی، تحلیل غیرپارامتری وزنی مشتق و انواع الگوریتم های انتخاب ویژگی پرداخته ایم. که نتیجه کار 5 الگوریتم جدید برای بهبود سرعت و دقت الگوریتم غیر پارامتری بوده است؛ که الگوریتم های ارائه گردیده برای بهبود سرعت اجرا الگوریتم، در روش فاصله به میزان بیشتر از 11% و در الگوریتم پراکندگی دقت به بیشتر از میانگین 15% منتهی گردیده است که قابلیت استفاده در الگوریتم غیرپارامتری وزنی افزایشی را دارا می باشند؛ هم چنین برای بهبود دقت الگوریتم های تحلیل غیر پارامتری وزنی پراکندگی، تحلیل غیر پارامتری وزنی ترتیبی، تحلیل غیرپارامتری وزنی مشتق ارائه گردیده است؛ و در نهایت، نتایج بهبود هسته الگوریتم غیر پارامتری وزنی را بر روی الگوریتم غیر پارامتری وزنی افزایشی نمایش داده ایم که باعث بهبود سرعت اجرا الگوریتم به میزان بیشتر از 20% و دقتی بیشتر از 2.5% منتهی گردیده است.

چکیده خون بافتی زنده و فعال است و فعالیت¬های حیاتی بدن ما به نحوی با سلامت آن بستگی دارد. امروزه سل¬کانترهای الکترونیکی در دو گروه اصلی شمارش تام و افتراقی سلول¬های خونی را انجام می¬دهند: اما هر دو گروه به دلیل محدودیت¬هایی نمی¬توانند جایگزین روش¬های میکروسکوپی شوند. جهت رفع موانع فوق و کمک به تشخیص بیماری¬ها، در این پروژه و در 3 فاز به ارائه روشی جهت بازشناسی خودکار لکوسیت¬های خون با استفاده از تصاویر میکروسکوپی، می¬پردازیم. در مرحله اول از تصویر تهیه شده از لام خونی رنگ¬آمیزی شده، یک زیر¬تصویر در محل لکوسیت¬ها، بدست می¬آید. در مرحله دوم به کمک روش پیشنهادی (ناحیه¬بندی سریع و هوشمند لکوسیت¬ها با استفاده از ماسک لکوسیت)، لکوسیت¬ها با دقت بالا و در زمان کوتاهی از باقی ذرات خون جداسازی می¬شود. در تهیه ماسک مذکور از نگاشت فضای 3-بعدی rgb، به 1-بعد؛ شامل بیشترین شدت روشنایی در راستای بردار مطلوب، و کمترین مقدار روشنایی در راستای بردار نامطلوب استفاده شده است. در مرحله سوم با بکارگیری روش¬های تحلیل مولفه¬های اساسی و تمایز داده فیشر بهترین ویژگی¬های رنگ، بافت و شکل ناحیه طبقه¬بندی شده استخراج می¬گردد؛ و به کمک طبقه¬بندی کننده¬های بیز، انفیس و الگوریتم سریع و برخط توابع پایه بیضوی، لکوسیت¬های خون در 5 گروه اصلی: بازوفیل، ائوزینوفیل، نوتروفیل، لنفوسیت و مونوسیت کلاس¬بندی می¬گردد. روش پیشنهادیِ بدست آوردنِ زیرتصویر ضمن عدم وابستگی به ناظر بیرونی، به طور کامل در تصاویر اولیه ضبط شده که فاقد نویز ناشی از لخته رنگ¬آمیزی می باشد، جوابگو بوده است. اما به نویز فلفل نمکی شبیه سازی شده¬ی نرم¬افزاری (نمونه همراه با لخته رنگ¬آمیزی) حساس می باشد. در بخش ناحیه¬بندی لکوسیت¬ها با استفاده از تمامی اطلاعات رنگی فضای 3-بعدی، سرعت روش ارائه شده به میزان چشمگیری، نسبت به آخرین فعالیت¬های صورت گرفته، بهبود یافته است. همچنین با استخراج ویژگی-های مناسب از بخش فوق، دقت طبقه¬بندی لکوسیت¬های خون 96% محاسبه گردیده است. کلید واژه: ناحیه¬بندی سلو¬ل¬های خونی، بازشناسی لکوسیت¬ها

در این رساله راهکار جدیدی به منظور ردگیری حرکت نقاط دیوار، بطن چپ lv و اصلاح میدان حرکتی آن ارائه شده است این راهکار، رویکرد جدیدی برای تجزیه و تحلیل دینامیک بطن چپ قلب مبتنی بر مدل مش فعال بر روی توالی از تصاویر آناتومیکی تشدید مغناطیسی قلب مطرح می نماید مدل مش فعال بیان فشرده ای از مجموعه نقاط تصویر سه بعدی بدست می دهد که نتیجه تلفیق توپولوژی و هندسه هدف می باشد. و با خواص الاستیک قلب تزویج می شود طرح اولیه مدل، مستقیما بر اساس اطلاعات بدست آمده از تصویر سه بعدی دیواره lv در انتهای مرحله دیاستول ساخته می شود و از هیچ پیش فرضی استفاده نشده است تغییر فرم دیواره lv از پرازش مندل به میدان پراکنده جابجایی اخذ شده توسط روند پیشنهادی تناظریابی تخمین زده می شود. به منظور توسعه مدل پیشنهادی قبلی، برشهای میانی (بین برشی)و کانتورهای داخل و خارج قلبی آنها، توسط الگوریتم درون یابی مبتنی بر شکل پیشنهادی ایجاد شده است رویکرد پیشنهادی قادر به تخمین میدان جابجایی هر نقطه از دیواره قلبی است و لذا از آنجا قادر به تخمین میدان متراکم و محاسبه شاخص های دینامیکی محلی مانند کرنش طول مسیر می باشیم ارزیابی با استفاده از اعمال الگوریتم بر روی سیزده مجموعه توالی تصاویر (دو مجموعه توالی تصاویر مصنوعی و یازده مجموعه حقیقی) انجام شده است و نتایج بدست آمده با کارهای محققین دیگر مقایسه شده است دقت این روش نیز بر روی تصاویر مصنوعی که به عنوان درستی زمینه در این تجزیه تحلیل ها شناخته شده تخمین زده شده است. میانگین مربعات اندازه بردار خطا تفاضل دو بردار میدان حرکت تخمینی و تحلیلی کمتر از یک میلی متر می باشد نتایج نشان می دهد. عملکرد این الگوریتم مقاوم دقیقتر و بسیار سریعتر از الگوریتمهای پیشنهادی معرفی شده در این مطالعه است، به طوریکه زمان اجرا الگوریتم تقریبا به میزان کمتر از نصف کاهش یافته است. برای توالی تصاویر حقیقی،پارامترهای کلی قلب با دقت خوبی اخذ شده است، بطوریکه میانگین خطا برای محاسبه حفره بطنی کمتر از 4./. می باشد و نتایج تخمین کرنش های نرمال بر روی تصاویر واقعی با نتایج بدست آمده از تجزیه و تحلیل چاپ شده از محققان دیگر، و همچنین نتایج آنالیز توالی تصاویر بیماران با مشاهدات کلینکی آنها مطابقت دارد. لذا نتایج الگوریتم پیشنهادی با روشهای مطرح روز قابل رقابت می باشد.

ارائه مدلی نزدیک به واقعیت برای سر نوزادان در کاربردهای متعددی نظیر مکانیابی منبع سیگنالهای الکتروانسفالوگرافی (eeg) و مگنتوانسفالوگرافی (meg)، بازسازی تصویر در روشهای مقطعنگاری امپدانس الکتریکی (eit) و مقطعنگاری نوری، طیف سنجی مادون قرمز نزدیک (nirs)، مطالعه ارتباط بین جمجمه و صورت جهت بازسازی جمجمهای – صورتی و مطالعه رشد و نمو جهت کنترل بیماریها قابل استفاده میباشد. یک مدل ساده از سر شامل پوست، جمجمه و مغز (ماده سفید، ماده خاکستری و مایع مغزی – نخاعی) میباشد. برای ساخت چنین مدلی باید تصویری از سر نوزاد گرفته و بافتهای مختلف از آن استخراج گردد و مدل سهبعدی آنها ساخته شود. امروزه یکی از روشهای مرسوم جهت نمایش آناتومی و پاتالوژی قسمتهای مختلف بدن استفاده از سیستمهای تصویربرداری تشدید مغناطیسی (mri) میباشد. زیرا دارای خواص تابشی غیر یونیزان بوده و در تصاویر بدست آمده از آنها تفاوت بین بافتهای نرم به خوبی قابل تشخیص است. اما از آنجا که بافتهای استخوانی دارای آب آزاد کمی هستند و سیگنال تشدید مغناطیسی ضعیفی در آنها ایجاد میگردد، اطلاعات دقیقی از ساختارهای استخوانی در اختیار نمیگذارد. در نتیجه به منظور مطالعه و بررسی استخوانهای جمجمه سر نوزاد ناچار به استفاده از تصویربرداری مقطعنگاری کامپیوتری (ct) هستیم. در این تصاویر بافتهای جمجمه به خوبی قابل رویت میباشد ولی بافتهای نرم با کنتراست بسیار پایینی نمایش داده میشوند. روش تصویربرداری ct به دلیل تابش اشعه یونیزان به بیمار فقط در موارد ضروری قابل استفاده میباشد. به همین دلیل استخراج جمجمه بطورعمده متکی به تصاویر mr نوزادان بوده که موضوعی چالش برانگیز است. در این رساله یک الگوریتم کاملا خودکار برای ناحیهبندی قسمتهای مختلف جمجمه از تصاویر mr نوزادان با استفاده از اطلاعات گروهی از تصاویر ct به عنوان دانش اولیه، ارائه گردید. بدین منظور در مرتبه اول برای ساخت مدلهای آماری از جمجمه و استخوانها ابتدا تصاویر موجود در پایگاه داده بصورت دقیق همتراز گردید. انطباق تصاویر یکی از مهمترین مراحل کار ما را تشکیل میدهد. برای انجام این کار ابتدا همه تصاویر بصورت دستی با اطلس هندسی mr منطبق می گردد. سپس شدت روشنایی تصاویر از واحد هانسفیلد به واحد جدیدی که این تصاویر را به تصاویر mr نزدیکتر میسازد منتقل میشود. و در ادامه این تصاویر دو مرتبه با کمک نرمافزار spm یکبار با اطلس هندسی mr و در مرتبه دوم با میانگین تصاویر ct همتراز شده با اطلس mr همتراز میگردند. در مرحله بعد، استخوانها از تصاویر همتراز شده استخراج و جمجمه نوزاد با پرکردن ملاجها بصورت دستی بازسازی میگردد. سپس با استفاده از مجموعههای آموزشی استخوانها و جمجمههای بازسازی شده و بکارگیری محاسبات آماری دو مدل آماری شکل برای جمجمه و استخوانها تشکیل میگردد. در مرحله ناحیهبندی در ابتدا مغز و csf از تصویر mr ورودی استخراج شده تا یک تقریب تخمینی از موقعیت قرارگیری جمجمه و پوست در تصویر ورودی حاصل گردد. در ادامه تصویر پیش ناحیهبندی شده با استفاده از مجموعهای از اطلاعات آناتومیکی و اطلسهای احتمالی جمجمه به تصویر جدید که در آن مقادیر وکسلها متناسب با جمجمه بودن آنها تعیین میشود، تبدیل میگردد. و در نهایت با اعمال مدلهای آماری به تصویر جدید جمجمه و استخوانها از تصویر استخراج میگردد. برای یافتن موقعیت ملاجها در جمجمه این دو تصویر ناحیهبندی شده از یکدیگر کسر میگردند. نتایج حاصل از ناحیه¬بندی توسط پزشک متخصص در زمینه تصاویر نوزادان مورد بررسی قرار گرفته شد، ولی به علت عدم وجود استانداردهای طلایی برای مقایسه با نتایج حاصل از ناحیه¬بندی ارائه نتایج کمی در حال حاضر امکان پذیر نمی¬باشد.

بیماری‏های بافت بینابینی ریه، اصطلاحی کلی است که بر مجموعهای از اختلالات مزمن و شدید ریوی اطلاق می گردد. این گروه ناهمگون از اختلالات را به دلیل علائم بالینی، رادیولوژیک، فیزیولوژیک و پاتولوژیک مشابه، در کنار هم طبقهبندی میکنند. این اختلالات اغلب با میزان مرگومیر قابل ملاحظه ای همراه است و درباره روش درمانی بیشتر آن‏ها، توافق چندانی وجود ندارد. دربیماران مبتلا به بیماری‏های بافتبینابینی ریه، ریه های بیماران در چند مرحله دچار مشکل می شود: اول آنکه، بافت ریه به دلیل مشخص یاغیرمشخصی آسیب میبیند. دوم، دیواره کیسه های هوایی موجود در ریه ملتهب میگردد. سوم، بافت بینابینی شروع به فیبره شدن می‏کند و ریه سفت می شود، که این امر موجب بی نظمی چشمگیر کارکرد تهویه ای و تبادل گاز می گردد. پیشرفت‏های اخیر در تصویربرداری پزشکی و به خصوص روش های تشخیصی چون مقطع نگاری رایانه ای چندبرشی موجب سهولت در تشخیص بیماری‏های ریه شده و علاوه بر آن، نیاز به بکارگیری روش ها ی تشخیصی تهاجمی را کاهش داده است. سامانه تشخیص به کمک کامپیوتر پیشنهاد شده در این پایان‏نامه، جهت طبقه¬بندی و بازشناسی سه بعدی الگوهای موجود در بیماری بافت بینابینی ریه، از سه مرحله ناحیه¬بندی، استخراج ویژگی و طبقه‏بندی تشکیل شده است. در این مطالعه سه الگوی اصلی مرتبط با بیماری های بافتبینابینی ریه (شیشه‏مات، رتیکولار و لانه‏زنبوری) از یک پایگاه داده شامل 13 مقطع نگاری رایانه ای چندبرشی ، مربوط به 11 بیمار مبتلا به بیماری، انتخاب و مورد بازشناسی قرار داده شده است. در مرحله اول ناحیه‏بندی، بافت حجمی میدان‏ریه از پایگاه داده سه بعدی جدا می‏شود و به دنبال آن درخت‏رگی ریه نیز از بافت حجمی میدان‏ریه پردازش شده، جدا می‏شود. سپس در مرحله دوم، از ویژگی‏های آماری مرتبه اول و دوم ماتریس هم وقوعی برای تولید بردار ویژگی، از نواحی حجمی مطلوب تعریف شده درون بافت ریه استفاده می¬گردد. بعد از آن از میان بردارهای ویژگی، با استفاده از روش انتخاب ویژگی گام‏به‏گام، ویژگی‏هایی که قدرت تمایز بیشتری دارند، انتخاب شده و در مرحله آخر نیز الگوریتم دسته‏بند ماشین¬های بردار پشتیبان برای بازشناسی الگوهای بیماری، مورد استفاده قرار گرفته است. الگوریتم پیشنهادی در مرحله ناحیه‏بندی حجم ریه به درصد هم‏پوشانی 39/94% و در مرحله بازشناسی الگوها به دقت 98/69% رسیده است. نتایج آزمایشات در این پژوهش قابل رقابت با نتایج گزارش شده توسط معدود پژوهش های ارائه شده به منظور ناحیه بندی و بازشناسی الگوهای بیماری بافت بینابینی از روی داده های تصویری سه بعدی ریه می باشد.

نمایه گذاری و بازیابی تصاویر بر اساس محتوی، امروزه به یک نیاز مهم در کاربردهای مختلف تبدیل شده است. تاکنون روشهای متعددی برای این منظور بکار گرفته شده اند. رنگ، بافت و شکل سه عنصر اصلی برای استخراج ویژگی و نمایه گذاری تصاویر بشمار می روند. یکی از این روشها خود همبسته نگار موجک است. در این روش با استفاده از محاسبه همبسته نگار بر روی ضرایب موجک حاصل از تبدیل موجک بر روی تصویر، عمل نمایه گذاری و بازیابی انجام می پذیرد. پژوهش های صورت گرفته مبتنی بر این روش بر روی تصاویر طیف خاکستری و با اتکا به ویژگی بافت بوده است. روش دیگرخود همبسته نگار رنگ است که بر روی تصاویر چندی شده با روش چندی سازی برداری اعمال می شود. در این روش با استفاده از محاسبه خود همبسته نگار بر روی تصاویر کوانتیزه شده حاصل از اعمال چندی سازی برداری بر روی تصویر، عمل نمایه گذاری و بازیابی با نرخی مناسب انجام می پذیرد. پژوهش های صورت گرفته مبتنی بر این روش بر روی تصاویر رنگی rgb بوده و با اتکا به ویژگی رنگ است. در این پزوهش بنا داریم تا با استفاده از یک الگوریتم ادغام فازی روشی ارائه نماییم که با استفاده توامان از رنگ و بافت، عمل نمایه گذاری و بازیابی تصاویر را به نحو احسن انجام دهد. بدین منظور ابتدا روشی ارائه شده است که استخراج ویژگی رنگ و بافت را به صورت قابل قبولی بهبود خواهد داد. سپس با استفاده از یک الگوریتم فازی یه هر یک از تصاویر بر اساس ویژگی های استخراج شده یک عضویت اختصاص داده می شود که در ادامه روند الگوریتم از این بردار عضویت به عنوان بردار ارائه کننده تصویر در روند بازیابی استفاده خواهد شد. نتایج بدست آمده از این روش بر روی 1000 تصویر مورد آزمایش حاکی از یک جهش قابل توجه در معیار دقت و فراخوان در هنگام بازیابی است. در این رابطه، معیار دقت به درصد کم نظیر 89.0 رسیده است و برای معیار فراخوان نیز، درصد قابل توجه 84.2 حاصل شده است.

رتینوپاتی دیابتی عارضه ای ناشی از دیابت است که بدلیل تغییرات ایجاد شده در رگ های خونی رخ می دهد. وقتی عروق خونی در شبکیه آسیب می¬بینند ممکن است باعث نشت مایع یا خون بشود. در فلورسئین آنژیوگرافی قبل از تصویر برداری به بیمار سدیم فلورسئین تزریق می شود. این ماده در جریان خونی قرار می گیرد و به سرعت به چشم می رسد. در صورت وجود نشتی از رگ به بافت های اطراف، این پدیده در تصاویر گرفته شده نمایان می شود. در این پایان¬نامه یک سیستم تشخیص به کمک کامپیوتر (cad) خودکار جهت تشخیص و شناسایی نشتی و انسداد مویرگی بیمارن دیابتی در تصاویر فلورسئین آنژیوگرافی شبکیه چشم ارایه گردیده است، تا از این طریق بتواند به تشخیص پزشک یاری رساند. در این پروژه برای اولین بار به کمک تجزیه مد تجربی پیش پردازش تصاویر شبکیه انجام شد و پس از آن به ناحیه بندی رگ ها با استفاده از فیلتر های هدایت شده پرداخته شده است. سپس با استفاده از اطلاعات ساختارهای انشعاب رگی و نقاط پایدار نسبت به تغییر سایز، انطباق تصاویر شبکیه انجام می شود. ویژگی های مربوط به شدت روشنایی با توجه به زمان تصویربرداری استخراج می شود و در نهایت با استفاده از ترکیب مدل گوسی دسته بندی پس از دو بار آزمایش با صحت 96/93% انجام شد. بعد از به دست آوردن ناحیه های نشتی، مقادیر میانگین شدت روشنایی و مساحت آن ها محاسبه شده و به عنوان ویژگی هایی جهت تشخیص انسداد مویرگی به کار گرفته و پس از یک بار آزمایش صحت 81/76% حاصل شد. در نهایت برای هر نشتی اطلاعات کمی آن نیز محاسبه خواهد شد.

در یک آزمون فراصوتی اکو های بازگشتی از درون قطعه دارای اطلاعات مفید و ارزشمندی در مورد مشخصات هندسی و ریزساختاری قطعه هستند. این اکوهای فراصوتی را می توان با استفاده از مدل پالس گوسی متقارن، که دارای پنج پارامتر مستقل است، مدلسازی کرد. برای مدلسازی دقیق یک اکو، پارامترهای پالس گوسی باید هر چه دقیق تر از روی اکوی واقعی تخمین زده شوند. الگوریتم های متفاوتی برای تخمین این پنج پارامتر وجود دارد. در این پژوهش از چهار روش بهینه سازی گوس نیوتن ( gn )، لونبرگ مارکوارت ( lm)، بهینه سازی گروه ذرات (pso ) و الگوریتم ژنتیک ( ga) برای این منظور استفاده خواهد شد و مزایا و معایب هر یک از این روش ها طی مثال هایی بررسی و در نهایت با ترکیب این الگوریتم ها، مزایای یک الگوریتم، جایگزین معایب الگوریتم دیگر می شود. در مورد سیگنال هایی که دارای چندین اکو فراصوتی هستند از اصل حداقل طول توصیف ( mdl) برای تخمین تعداد اکوها استفاده شده است و برای تسهیل تخمین پارامترهای تمامی اکو ها از الگوریتم بیشینه سازی امید تعمیم یافته با فضای تناوبی (sage) استفاده می شود. برای ارزیابی کارآیی الگوریتم ها نیز سیگنال های شبیه سازی شده و اندازه گیری شده در آزمایشگاه در حالت هایی که اکوها همپوشانی داشته و یا بدون همپوشانی هستند مورد بررسی قرار خواهند گرفت. الگوریتم ترکیبی در تمامی شرایط مورد مطالعه بهتر از الگوریتم های منفرد عمل نموده است. یکی از نقص های مدل گوسی متقارن، عدم امکان برازش کامل آن به اکوهای فراصوتی واقعی است که شکل پوش آن ها معمولاً نامتقارن است. برای رفع این مشکل از مدل چیرپلت گوسی نامتقارن استفاده شده است که علاوه بر پنج پارامتر مدل متقارن، دو پارامتر دیگر با عناوین ضریب نامتقارنی و نرخ چیرپ به آن اضافه شده است. با اعمال هر دو مدل متقارن و نامتقارن بر روی یک اکوی اندازه گیری شده و مقایسه درصد برازش مدل ها، مشاهده شد که مدل نامتقارن با خطای کمتری (یک چهارم خطای مدل متقارن) به اکوی فراصوتی قابل برازش است.

اطلاعات تولید شده توسط گیرنده های نوری مخروطی در شبکیه فشرده می شود و توسط سه مسیر جداگانه سلول های عقده ای به نام های konio, parvo, magno به مراکز بالاتر پردازش انتقال می یابد. شواهد بدست آمده حاکی از آن است که مسیرهای سه گانه الگوهای خاص خرابی در بیماری اسکلروز چندگانه نشان می دهد. در مطالعات انجام شده خرابی مسیرهای magno و parvo در بیماران ms گزارش شده است اما این نتایج همگی بوسیله الکتروفیزیولوژی و سایکوفیزیک بدست آمده است. تا کنون مطالعات fmri بر روی خرابی این مسیرها انجام نشده است. بنابراین با بهره گیری از الگوهای متفاوت، ساختار و عملکرد این سه سلول به بررسی اختلالات بینایی ایجاد شده در بیماران ms پرداختیم. در این پروژه سه تحریک با فرکانس های مکانی و زمانی خاص هر مسیر که هر یک، اختصاصا یکی از مسیرها را تحریک می کرد تولید کردیم. این تحریک ها بوسیله پروژکتوری کالیبره شده که در خارج اتاق mri قرار داشت به فرد داخل اسکنر نشان داده می شد. با استفاده از پروتکل های استاندارد از دو گروه سالم و مریض (هر کدام شامل 5 نفر) تصویربرداری fmri انجام گردید. در نهایت پاسخ های بدست آمده برای هر گروه در سطح فرد و گروه، همچنین در لوب بینایی و منطقه lgn مورد تحلیل قرار گرفت. تحلیل های انجام شده نشان دهنده نتایج معنی داری از خرابی مسیرهای بینایی، بویژه سلول های magno در بیماران ms است.

این پایان نامه به بررسی روش m-saf در تصویرگری فراصوت پزشکی میپردازد و در ادامه این روش با داده های موجود در پایگاههای داده فراصوت پزشکی، شبیه سازی میشود.در پایان از داده های واقعی برگرفته از پراب فراصوت موجود در آزمایشگاه برای آزمایش صحت شبیه سازی استفاده میشود.

مقطع‎‏نگاری رایانه‏ای با دقت مکانی بالا (hrct) یک روش تصویربرداری پزشکی است که تصویری گویا از بدن انسان به منظور بررسی بافت ریه در اختیار قرار می‎‏دهد. این روش اندازه‏‎گیری‏‎های دقیقی از الگوهای بافتی مربوط به بیماری‎‏های ریه از جمله سیستیک فیبروز فراهم می‏‎آورد. سیستیک فیبروز یک بیماری مزمن ارثی و شایعترین اختلال اتومازول مغلوب در سفید پوستان است که عمدتاً ریه‏‎ها و دستگاه گوارشی را تحت تأثیر قرار می‏‎دهد. در ریه‎‏ها بیماری سیستیک فیبروز با ایجاد آسیب‎‏های متنوع در مجرا و دیواره‏ی راه‏‏‎های هوایی و در پی آن عفونت و التهاب، باعث ایجاد تغییرات ساختاری و عملکردی در راه‏‎های هوایی افراد مبتلا به این بیماری می شود. تاکنون الگوریتم اندازه گیری پهنای کامل در نیمه دامنه به ترتیب دیواره داخلی راه‎هوایی را کمتر از اندازه واقعی و دیواره خارجی را بیشتر از اندازه واقعی بیان می‎کند. در موافقت فاز نیز با اینکه یک تعریف خوب از دیواره راه‎هوایی حتی در مکان‎‏های نزدیک به ساختار عروق که در آن لبه‎ها به خوبی تعریف نشدند مشخص می‎کند ولی نسبت به اندازه راه‎‏هوایی محدودیت دارد و در آخرین روش مبتنی بر مدل ارائه شده از مقادیر تجربی برای اندازه‎گیری اولیه استفاده شده است. حال در این پایان‏‎نامه الگوریتم خودکار کامپیوتری ارائه شده، جهت اندازه‏‎گیری قطر رگ و راه‎‏هوایی با علایم برونشکتازی به منظور استفاده در درجه‏‎بندی بیماری و یا بررسی روند بهبود آن است. در مرحله اول پیش‏ پردازشی برای آماده‏‎سازی تصویر جهت روش مبتنی بر آستانه صورت می‏‎گیرد. سپس در مرحله دوم روش مبتنی بر آستانه انجام شده و اندازه‏‎گیری‏‎های اولیه جهت ساخت مدل در مرحله بعد بدست می‏‎آید و پس از ساخت مدل در مرحله آخر با استفاده از الگوریتم تکاملی جمعیت ذرات، پارامترهای اندازه‎‏گیری شده بهینه می‎‏شود.

این رساله بازسازی تصویر در مقطع نگاری القای مغناطیسی بر اساس مدل پیشرو اجزای محدود - بدون مش را بر روی یک سامانه نمونه آزمایشگاهی ارائه می کند. مزایای این روش نسبت به سایر روش های مقطع نگاری الکتریکی، بی نیازی آن از الکترودهای تماسی و بالاتربودن سطح ایمنی الکتریکی آن هستند. در این روش با عبور یک جریان متناوب از یک یا چند سیم پیچ تحریک، یک میدان مغناطیسی تحریک در درون جسم مورد نظر ایجاد شده و ولتاژهای القایی در سیم پیچ های گیرنده اندازه گیری می شوند. بازسازی تصویر جسم با استفاده از نتایج حاصل از اندازه گیری، تخمین اولیه ای از ضرایب هدایت الکتریکی نواحی داخلی جسم، حل مسائل پیشرو و معکوس صورت می گیرد.

مشکلات و پیچیدگی های مطالعه مغز نوزادان سبب شده است تحقیقات بسیار کمی در این زمینه در مقایسه با مطالعات انجام شده پیرامون مغز بزرگسالان صورت گیرد. اطلس های مغزی ابزاری کارامد برای ارزیابی رشد مغز در این مرحله از زندگی و کسب اطلاعات در این زمینه می باشند. تغییر ساختار مغز در راستای هم ترازی با یک اطلس و یا تصویر مرجع، که انطباق مکانی نامیده می شود، مرحله ای ضروری در بررسی های گروهی مغز می باشد. تقریبا تمام اطلس های ساخته شده معروف برای نوزادان با استفاده از تصاویر mr بوده است. در حالی که نتایج بررسی های انجام شده در زمینه اطلس ct نوزادان بر این امر دلالت دارند که با وجود کاربرد های بالینی زیاد، در سال های اخیر اطلس پیشرفته ای به منظور بهبود انطباق تصاویر ct نوزادان به فضای استاندارد ارائه نشده است. بنابراین، با استفاده از تصاویر mr وct نوزادان در این پروژه ما درنظر داریم که اطلس های مغزی برای بازه های مشخص سنی بسازیم. رشد سریع مغز نوزادان ما را ناگزیر به استفاده از اطلس های احتمالاتی در بازه های مشخص سنی برای بدست آوردن اطلاعات آناتومیکی و ساختاری مناسب و دقیق می کند. بعلاوه، ویژگی چندشیوه ای بودن اطلس حاصل می تواند در مطالعاتی که از تصاویر شیوه های مختلف تصویربرداری وجود دارد، استفاده شود. استفاده از تصاویر mr و ct در ساخت اطلس به ما امکان مطالعه همزمان بافت های نرم و سخت سر نوزاد را می دهد. در این پژوهش، اطلس های mr و ct برای نوزادان با سن حاملگی بین 39 و 40 هفتگی و 41 و 42 هفتگی در زمان تصویربرداری پیاده سازی گردیدند. پس از پیش پردازش، تصاویر به تصویر مرجع انطباق داده شده و سپس، در مراحل متعددی بایاس ناشی از تصویر مرجع کاهش می یاید. این مراحل حذف بایاس شامل استفاده از معکوس تبدیلات و همچنین تکرار فرایند ساخت اطلس می باشد. در ارزیابی کمی اطلس های ایجاد شده بترتیب با استفاده از 20 تصویر mr و ct با کیفیت بالا، به بررسی میدان های برداری حاصل از نگاشت تصاویر و همچنین از تغییرپذیری آناتومیکی نقاط مرجع استفاده شده است. ارزیابی های کمی و کیفی اطلس های حاصل موید این مطلب است که اطلس های نوزادان ساخته شده دارای کیفیت بالایی هستند.

چکیده ندارد.