نام پژوهشگر: زینب عبدالرضا

دسته بندی تصاویر سه بعدی توموگرافی کامپیوتری در بیماران مبتلا به بیماری های ارتشاحی ریه
پایان نامه وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی خواجه نصیرالدین طوسی - دانشکده برق 1393
  زینب عبدالرضا   حمید ابریشمی مقدم

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.