پایان نامه ارائه یک روش برای بخش بندی بطن راست و چپ از تصاویر MRI قلبی

word 3 MB 32139 103
مشخص نشده کارشناسی ارشد مهندسی الکترونیک
قیمت: ۱۳,۳۹۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • پایان نامه کارشناسی ارشد در رشته­ی

     مهندسی پزشکی- بیوالکتریک

    چکیده

     

    ارائه یک روش برای بخش­بندی بطن راست و چپ از تصاویر MRI قلبی

     

    بررسی ساختار و عملکرد بطن­های قلب در تصاویر رزونانس مغناطیسی یک گام مهم در مدیریت بسیاری از اختلالات قلبی به حساب می­آید. با اینکه بخش­بندی دستی بطن­های قلب نتایج خوبی را حاصل می کند، اما بخش­بندی دستی بطن ها خصوصا بطن راست به علت هندسه پیچیده آن کار وقت­گیری می­باشد. بنابراین بخش­بندی اتوماتیک بطن راست و چپ ضروری به نظر می­رسد. در این طرح یک روش اتوماتیک جدید بر اساس ترکیب روش ﺑﻬﻴﻨﻪ­ﺳﺎزی دﺳﺘﻪ ذرات( PSO) و پیمایش تصادفی بهبود یافته ارائه شده است. PSO یک روش تکاملی بر اساس جمعیت می­باشد که ازطریق این روش قسمت­های دارای شدت روشنایی مشابه از تصویر را بخش­بندی می­کنیم و در نهایت بخش بندی نهایی بطن راست و چپ توسط پیمایشگر تصادفی بهبود یافته انجام می­شود. در روش پیمایشگر تصادفی یک تعداد پیکسل توسط کاربر برچسب گذاری می­شود، اما در روش ارائه شده انتخاب نقاط برچسب دار به صورت خودکار و توسط روش PSO انجام می شود.

    برای بررسی صحت روش ارائه داده شده، روش پیشنهادی را بر روی تعداد زیاد و متفاوت از تصاویر اعمال کردیم و نتایج قابل قبولی را از لحاظ کلینیکی و تکنیکی مشاهده نمودیم.

     

    کلمات کلیدی: تصاویر رزونانس مغناطیسی، بخش ­بندی بطن چپ و راست، روش ﺑﻬﻴﻨﻪ ­ﺳﺎزی دﺳﺘﻪ ذرات ، الگوریتم پیمایش تصادفی.

     

    1-1- مقدمه

     

    قلب یک عضو حیاتی از سیستم گردش خون بدن انسان است. عملکرد مناسب قلب برای جلوگیری از بیماری­های قلبی عروقی ضروری است. نداشتن ورزش، کم تحرکی، استرس، رژیم غذایی نامناسب و عوامل ژنتیکی همه در ایجاد و افزایش اختلالات قلبی عروقی نقش اساسی دارند.

    بیماری­های قلبی عروقی در حال حاضر جزء سه علت اول مرگ و میر و ناتوانی انسان­ها در سراسر دنیا بوده و در حال تبدیل شدن به اصلی ترین عامل مرگ و میر و ناتوانی در اغلب کشورها می باشد [1]. از این رو کنترل و درمان این بیماری­ها یک مسئله مهم می­باشد. در گذشته نظارت بر فشار خون، آزمایش خون برای تشخیص کلسترول و ECG روش هایی بود که برای نظارت بر سلامت قلبی عروقی افراد در اختیار پزشک قرار داشت. در سال های اخیر با پیشرفت در علم پزشکی و مهندسی پزشکی، تجهیزات تصویربرداری برای تشخیص و کنترل بیماری­ها به کمک پزشکان آمده­اند. تا آنجا که تشخیص و درمان بیماریهای قلبی عروقی تا حد زیادی به روش­های مختلف تصویر­برداری همانند اکوکاردیو­گرافی، توموگرافی کامپیوتری( (CT ، آنژیوگرافی عروق کرنری و تصویر برداری رزونانس مغناطیسی((MRI قلبی متکی است.

    وضوح بالای تصویر اصلی­ترین امتیاز MRI می­باشد که توانایی به تصویرکشیدن بافت­های نرم بدن را دارا است. بنابراین MRI برای تصویر­برداری از قلب، مغز، عضلات و تومورها بسیار مناسب است. تصویربرداری چند وجهی یکی دیگر از ویژگی­های MRI می­باشد که قادر به گرفتن تصاویر مقطعی بر روی هر سطح، بدون تغییر دادن موقعیت بیمار است. همچنین به این دلیل کهMRI  از پرتوهای الکترومغناطیسی RF)) استفاده می­کند تاثیرات مضر تابش اشعه رادیواکتیویته و X-ray در تصویربرداری هسته­ای و CT را ندارد.

    انجام MRI روی تعداد زیادی از بیماران قلبی عروقی در جامعه یک حجم قابل توجهی از داده­ها را تولید می­کند. تجزیه تحلیل این داده­ها به وسیله رادیولوژیست یا پزشک کار وقت­گیری است. همچنین تفسیر آن­ها به تشخیص پزشک متکی است و بنابراین می­تواند مستعد خطا باشد. بنابراین استفاده از کامپیوتر و روش­های پردازش تصویر به عنوان راه حلی برای حل این مشکلات مطرح شده است. در چند دهه اخیر آنالیز تصاویر قلبی، خصوصا بخش­بندی[1] تصاویر قلبی موضوع بسیاری از مطالعات بوده است. بخش­پذیری تصاویر برای بسیاری از کارهای سطح بالا همانند تجزیه تحلیل تصاویر، تشخیص به کمک کامپیوتر، مدل سازی­های هندسی ساختارهای آناتومیکی و یا ساخت مدل­های بیومکانیکی که برای شبیه­سازی عمل جراحی مورد استفاده قرار می­گیرند، به عنوان یک پیش­نیاز محسوب می­شود.

    بخش­بندی تصاویر قلبی عبارت است از شناسایی قلب یا هر کدام از ویژگی­های آناتومیکی و یا فیزیولوژیکی وابسته به آن از تصاویر دو بعدی یا سه بعدی.

    هدف اساسی در بخش­بندی تصویر این است که تصویر داده شده را داخل دو یا چند منطقه بخش­بندی کنیم. یک مثال ساده از بخش­بندی تصویر قلب در دو ناحیه در شکل 1-1 نشان داده شده است، ناحیه u1 متناظر با شی مورد نظر (پیش زمینه) و ناحیه u2 پس زمینه تصویر می­باشد.

    شکل 1-1. تصویر بخش­بندی شده در دو ناحیه

     

    به عبارت دیگر هدف در این مثال شناسایی دو گروه از پیکسل­های  u1و u2 می­باشد که به صورت زیر تعریف می­شوند.

     

    =                                                          u1

     (1-1)

    =  u2

     

    در مورد روش­های اتوماتیک بخش­بندی قلب مطالعات زیادی صورت گرفته است اما هنوز تشخیص محیط و کانتورها نیاز به اصلاح در حد روش دستی را دارند. علی­رغم کارهای بسیاری که در مورد بخش­بندی بطن­های راست و چپ تصاویر قلبی انجام شده است اما مسئله هنوز باقیست [2].

    در بخش­بندی بطن راست و چپ تصاویر قلبی چالش­هایی وجود دارد که عمدتا به دلیل آناتومی قلب و خصوصیات تصاویر MRI می­باشد. برخی از مشکلات که در بخش­بندی تصاویر قلبی وجود دارند عبارتند از:

    تنوع در سرعت، موقعیت، چرخش قلب و اختلاف در تباین[2] و وضوح تصاویر می­باشد، که برای هر کدام از روش­های بخش­بندی می­تواند مشکل­ساز باشد.

    تصاویر بازسازی شده ممکن است شامل نویز و دیگر آرتیفکت­هایی باشند که بیشتر به دلایل زیر ایجاد می­شوند:

    نویز حرارتی

    حرکت قلب و تنفس

    خطای کمی، که به علت تخمین زدن مرزهای پیوسته قلب به وسیله یک منحنی دیجیتال اتفاق می افتد.

    ممکن است بافت­هایی که در قلب و مجاورت قلب وجود دارند شدت روشنایی سطح خاکستری مشابه داشته باشند.

    بطن راست بر خلاف بطن چپ که شکل منظم و بیضوی دارد، شکل نامنظم هلالی شکلی را داراست که ضخامت دیواره آن 3 تا 6 برابر نازکتر از حفره بطن چپ می­باشد (شکل1-2) که این موضوع منجر به محدودیت دقت در تفکیک فضایی تصاویر MRI می­شود.

     

     

    شکل1-2. شکل هندسی بطن چپ و راست

     

    به علت دلایل ذکر شده مسئله بخش­بندی بطن­ها به خصوص برای بطن راست هنوز باقیست. به علت منظم بودن شکل بطن چپ و به این علت که عملکرد بطن چپ حیاتی­تر از بطن راست است اکثر مطالعات روی بطن چپ متمرکز بوده است اما در سال­های اخیر روش­هایی هم برای بخش­بندی بطن راست ارائه شده است

     

     

     

    Abstract

     

    Segmentation of the Right and Left Ventricles in Cardiac Mri

     

    By

    Maliheh Sehati

     

    Evaluation of cardiac ventricular structure and function in magnetic resonance (MR) images is an important step in the management of most cardiac disorders. Although the manual segmentation of the cardiac ventricle produces good results, but manual segmentation of the cardiac ventricles is time-consuming, especially for the right ventricle (RV) due to its complex geometry, therefore automatic segmentation of the RV and LV is important. In this study, we propose a novel approach for automatically segmentation of the right and left ventricle in cardiac MR images based on the combination of Particle Swarm Optimization (PSO) and improved random walks algorithm. PSO is a population based evolutionary algorithm where the homogeneous parts of the image can be detected. The segmented image from PSO is again treated with random walks for the final segmentation of right and left ventricle. In random walks given a small number of pixels (in this work three pixels) with user-defined labels, but in this study by using of pso we can automatically seed placing. In this work, proposed method is tested on standard datasets of cardiac MR images. The promising experimental results illustrate the benefits of our approach for automatic segmentation of the left and right ventricles.

     

    Key word: Cardiac MRI, Right and left ventricle segmentation, Random walks, Particle Swarm Optimization. , Random walks.

  • فهرست:

    فصل اول: مقدمه

    1-1- کلیات...................................................................................................................................................... 2

    1-2- قلب انسان............................................................................................................................................. 7

    1-2-1- ساختار و عملکرد قلب..................................................................................................... 7

    1-3-تصویر برداری ام ار آی...................................................................................................................... 10

    1-3-1- ام ار آی قلبی................................................................................................................... 12

    1-4-توجیه ضرورت انجام طرح و روش کار................................................................................... 14

    1-5-مساله پژوهش از دیدگاه پزشکی.............................................................................................. 16

     

    فصل دوم: موضوع و پیشینه تحقیق

    2-1-مقدمه............................................................................................................................................... 18

    2-2- روش های بخش بندی تصاویر ام ار آی قلبی.................................................................... 18

    2-2-1- روش بخش­بندی اتوماتیک........................................................................................... 20

    2-2-2- روش های نیمه اتوماتیک............................................................................................. 22

    2-2-2-1- بخش بندی با دانش ضعیف یا بدون دانش.................................................. 22

    2-2-2-1-1- روش­های مبتنی بر تصویر..................................................................... 22

    2-2-2-1-2- روش­های مبتنی بر طبقه بندی پیکسل............................................ 23

    2-2-2-1-3- مدل های متغیر........................................................................................ 24

    عنوان                                                                                                                     صفحه

     

    2-2-2-1-4 نتیجه گیری.................................................................................................. 26

    2-2-2-3- بخش­بندی با دانش قوی.................................................................................... 27

    2-2-2-3-1- تغییر شکل مدل با دانش اولیه قوی................................................... 28

    2-2-2-3-2- شکل فعال و مدل­های ظاهری.............................................................. 28

    2-2-2-3-3- بخش­بندی مبتنی بر اطلس.................................................................. 30

    2-2-2-3-4- نتیجه گیری............................................................................................... 32

     

    فصل سوم: بخش­بندی بطن راست و چپ از تصاویر MRI قلب

    3-1-مقدمه............................................................................................................................................... 38

    3-2- روش PSO.................................................................................................................................... 40

    3-3- عملیات ساختاری........................................................................................................................ 44

    3-4- روش پیمایشگر تصادفی............................................................................................................ 47

    3-4-1- وزن یال­ها.......................................................................................................................... 50

    3-4-2- مسئله دیریکله ترکیبی.................................................................................................. 51

    3-4-3- قیاس مداری..................................................................................................................... 51

    3-4-4- ارتباط روش با فرایند انتشار در بینایی ماشین....................................................... 52

    3-4-5- روش پیمایش تصادفی بهبود داده شده.................................................................... 54

    3-4-6- خلاصه الگوریتم............................................................................................................... 55

    3-4-7- ویژگی­های الگوریتم از نظر تئوری.............................................................................. 55

    3-4-8- ویژگی­های رفتاری........................................................................................................... 57

    3-4-8-1- مرزهای ضعیف..................................................................................................... 57

    3-4-8-2- مقاومت در برابر نویز............................................................................................ 58

    3-4-8-3- نواحی مبهم و فاقد برچسب............................................................................. 59

     

    عنوان                                                                                                                     صفحه

     

    فصل چهارم: بررسی نتایج

    4-1- مقدمه.............................................................................................................................................. 61

    4-2- خصوصیات داده­ها....................................................................................................................... 61

    4-3- نحوه پیاده­سازی روش پیشنهادی........................................................................................... 62

    4-4- بحث روی نتایج حاصل از روش¬های پیشنهادی............................................................. 64

    4-5- بررسی تکنیکی............................................................................................................................ 67

    4-5-1- ضریب Dice...................................................................................................................... 69

    4-5-2- محاسبه تشابه................................................................................................................... 70

    4-6- مقایسه با روش­های پیشین...................................................................................................... 71

    4-7- نتیجه­گیری.................................................................................................................................... 76

     

    فصل پنجم: جمع­بندی و کارهای آینده

    5-1-مقدمه............................................................................................................................................... 78

    5-2- پیشنهادات برای مطالعات آینده.............................................................................................. 79

     

    فهرست منابع

    منبع:

     

    [1] Lloyd-Jones, D., Adams, R. J., Brown, T. M., Carnethon, M., Dai, S., De Simone, G., and Wylie-Rosett, J. (2010). Heart disease and stroke statistics, A report from the American Heart Association. Circulation, 121(7), e46-e62.

    [2] Petitjean, C., Dacher, J. N. (2011). A review of segmentation methods in short axis cardiac MR images. Medical image analysis, 15(2), 169-184.

    [3] Shors, S. M., Fung, C. W., François, C. J., Finn, J. P., and Fieno, D. S. (2004). Accurate Quantification of Right Ventricular Mass at MR Imaging by Using Cine True Fast Imaging with Steady-State Precession: Study in Dogs 1. Radiology, 230(2), 383-388.

    [4] Ghose, S. (2009). Deformable Model based Computation of Ejection Fraction of Right Ventricle from Cine MRI (Doctoral dissertation, A Thesis Submitted for the Degree of M. Sc. Erasmus Mundus in Vision and Robotics,(VIBOT), University of Bourgogne).

    [5] Alfakih, K., Plein, S., Thiele, H., Jones, T., Ridgway, J. P., and Sivananthan, M. U. (2003). Normal human left and right ventricular dimensions for MRI as assessed by turbo gradient echo and steady‐state free precession imaging sequences. Journal of Magnetic Resonance Imaging, 17(3), 323-329.

    [6] Rougon, N., Petitjean, C., Prêteux, F., Cluzel, P., and Grenier, P. (2005). A non-rigid registration approach for quantifying myocardial contraction in tagged MRI using generalized information measures. Medical Image Analysis, 9(4), 353-375.

    [7] Cocosco, C. A., Netsch, T., Sénégas, J., Bystrov, D., Niessen, W. J., and Viergever, M. A. (2004, June). Automatic cardiac region-of-interest computation in cine 3D structural MRI. In International Congress Series,1268 , 1126-1131.

    [8] Huang, J., Huang, X., Metaxas, D., and Axel, L. (2007, April). Dynamic texture based heart localization and segmentation in 4-d cardiac images. In Biomedical Imaging: From Nano to Macro(ISBI), 852-855.

     

     

    [9] Jolly, M. P. (2008). Automatic recovery of the left ventricular blood pool in cardiac cine MR images. In Medical Image Computing and Computer-Assisted Intervention–(MICCAI), 110-118.

    [10] Pednekar, A., Kurkure, U., Muthupillai, R., Flamm, S., and Kakadiaris, I. A. (2006). Automated left ventricular segmentation in cardiac MRI. Biomedical Engineering, IEEE Transactions on, 53(7), 1425-1428.

    [11] Gering, D. T. (2003). Automatic segmentation of cardiac MRI. In Medical Image Computing and Computer-Assisted Intervention-MICCAI, 524-532.

    [12] Lin, X., Cowan, B. R., and Young, A. A. (2006). Automated detection of left ventricle in 4D MR images: experience from a large study. In Medical Image Computing and Computer-Assisted Intervention–MICCAI , 728-735.

    [13] Jolly, M. P., Duta, N., and Funka-Lea, G. (2001). Segmentation of the left ventricle in cardiac MR images. In Computer Vision, 2001. ICCV 2001, 1, 501-508.

    [14] Viola, P., and Jones, M. (2001). Rapid object detection using a boosted cascade of simple features. In Computer Vision and Pattern Recognition, 2001. CVPR 2001, 1, 511-518.

    [15] Goshtasby, A., and Turner, D. A. (1995). Segmentation of cardiac cine MR images for extraction of right and left ventricular chambers. Medical Imaging, IEEE Transactions on, 14(1), 56-64.

    [16] Weng, J., Singh, A., and Chiu, M. Y. (1997). Learning-based ventricle detection from cardiac MR and CT images. Medical Imaging, IEEE Transactions on, 16(4), 378-391.

    [17] Katouzian, A., Prakash, A., and Konofagou, E. (2006, August). A new automated technique for left-and right-ventricular segmentation in magnetic resonance imaging. In Engineering in Medicine and Biology Society, 2006. EMBS'06. 28th Annual International Conference of the IEEE, 3074-3077.

    [18] Nachtomy, E., Cooperstein, R., Vaturi, M., Bosak, E., Vered, Z., and Akselrod, S. (1998). Automatic assessment of cardiac function from short-axis MRI: procedure and clinical evaluation. Magnetic resonance imaging, 16(4), 365-376.

    [19] Gupta, A., Von Kurowski, L., Singh, A., Geiger, D., Liang, C. C., Chiu, M. Y., and Wilson, D. L. (1993, September). Cardiac MR image segmentation using deformable models. In Computers in Cardiology 1993, Proceedings, 747-750.

    [20] Üzümcü, M., van der Geest, R. J., Swingen, C., Reiber, J. H., and Lelieveldt, B. P. (2006). Time continuous tracking and segmentation of cardiovascular magnetic resonance images using multidimensional dynamic programming. Investigative radiology, 41(1), 52-62.

    [21] Van der Geest, R. J., Jansen, E., Buller, V. G. M., and Reiber, J. H. C. (1994, September). Automated detection of left ventricular epi-and endocardial contours in short-axis MR images. In Computers in Cardiology, USA, 33-36.

    [22] Yeh, J. Y., Fu, J. C., Wu, C. C., Lin, H. M., and Chai, J. W. (2005). Myocardial border detection by branch-and-bound dynamic programming in magnetic resonance images. Computer methods and programs in biomedicine, 79(1), 19-29.

    [23] Liu, N., Crozier, S., Wilson, S., Liu, F., Appleton, B., Trakic, A., and Riley, R. (2006, January). Right ventricle extraction by low level and model-based algorithm. In Engineering in Medicine and Biology Society, IEEE-EMBS, 1607-1610.

    [24] Geiger, D., Gupta, A., Costa, L. A., and Vlontzos, J. (1995). Dynamic programming for detecting, tracking, and matching deformable contours. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 17(3), 294-302.

    [25] Fu, J. C., Chai, J. W., and Wong, S. T. (2000). Wavelet-based enhancement for detection of left ventricular myocardial boundaries in magnetic resonance images. Magnetic resonance imaging, 18(9), 1135-1141.

    [26] Cousty, J., Najman, L., Couprie, M., Clément-Guinaudeau, S., Goissen, T., and Garot, J. (2010). Segmentation of 4D cardiac MRI: Automated method based on spatio-temporal watershed cuts. Image and Vision Computing, 28(8), 1229-1243.

    [27] Nachtomy, E., Cooperstein, R., Vaturi, M., Bosak, E., Vered, Z., and Akselrod, S. (1998). Automatic assessment of cardiac function from short-axis MRI: procedure and clinical evaluation. Magnetic resonance imaging, 16(4), 365-376.

    [28] Cassen, C., Domenger, J. P., Braquelaire, J. P., and  Barat, J. L. (2001). Left ventricular segmentation in MRI images. In Image and Signal Processing and Analysis, ISPA 200, Pula, Croatia, 244-249.

    [29] Noble, N. M., Hill, D. L., Breeuwer, M., Schnabel, J. A., Hawkes, D. J., Gerritsen, F. A., and Razavi, R. (2002). Myocardial delineation via registration in a polar coordinate system. In Medical Image Computing and Computer-Assisted Intervention—MICCAI, 651-658.

    [30] Kulkarni, R. V., and Venayagamoorthy, G. K. (2010). Bio-inspired algorithms for autonomous deployment and localization of sensor nodes. Systems, Man, and Cybernetics, Part C: Applications and Reviews, IEEE Transactions on, 40(6), 663-675.

     

    [31] Kapur, J. N., Sahoo, P. K., and Wong, A. K. C. (1985). A new method for gray-level picture thresholding using the entropy of the histogram. Computer vision, graphics, and image processing, 29(3), 273-285.

    [32] Lim, Y. W., and Lee, S. U. (1990). On the color image segmentation algorithm based on the thresholding and the fuzzy c-means techniques. Pattern Recognition, 23(9), 935-952.

    [33] Brink, A. D. (1995). Minimum spatial entropy threshold selection. IEE Proceedings-Vision, Image and Signal Processing, 142(3), 128-132.

    [34] Sathya, P. D., and Kayalvizhi, R. (2010). PSO based tsallistresholding selection procedure for image segmentation. International Journal of Computer Applications, 5(4), 39–46.

    [35] Fogel, D. B. (2000). Evolutionary computation: Toward a new philosophy of machine intelligence (Second ed.). Piscataway, NJ: IEEE Press.

    [36] Dawant, B., Zijdenbos, A. (2000). Image segmentation. In: Sonka, M., Fitzpatrick, J., Handbook of Medical Imaging, vol. 2. SPIE Press, Bellingham, WA,71-127.

    [37] Dempster, A. P., Laird, N. M., and Rubin, D. B. (1977). Maximum likelihood from incomplete data via the EM algorithm. Journal of the Royal statistical Society, 39(1), 1-38.

    [38] Stalidis, G., Maglaveras, N., Efstratiadis, S. N., Dimitriadis, A. S., and Pappas, C. (2002). Model-based processing scheme for quantitative 4-D cardiac MRI analysis. Information Technology in Biomedicine, IEEE Transactions on, 6(1), 59-72.

    [39] Kedenburg, G., Cocosco, C. A., Köthe, U., Niessen, W. J., Vonken, E. J. P., and Viergever, M. A. (2006, March). Automatic cardiac MRI myocardium segmentation using graphcut. In Medical Imaging, International Society for Optics and Photonics, 61440A-61440A.

    [40] Kass, M., Witkin, A., and Terzopoulos, D. (1988). Snakes: Active contour models. International journal of computer vision, 1(4), 321-331.

    [41] Xu, C., Pham, D. L., Prince, J. L. (2000). Medical image segmentation using deformable models. In: Handbook of Medical Imaging. Medical Image Processing and Analysis, SPIE Press, 2, 129-174.

    [42] Osher, S., and Sethian, J. A. (1988). Fronts propagating with curvature-dependent speed: algorithms based on Hamilton-Jacobi formulations. Journal of computational physics, 79(1), 12-49.

    [43] Yezzi Jr, A., Kichenassamy, S., Kumar, A., Olver, P., and Tannenbaum, A. (1997). A geometric snake model for segmentation of medical imagery. Medical Imaging, IEEE Transactions on, 16(2), 199-209.

     

    [44] Battani, R. C. A. C. T. R., Corsi, C., Sarti, A., Lamberti, C., Piva, T., and Fattori, R. (2003, September). Estimation of right ventricular volume without geometrical assumptions utilizing cardiac magnetic resonance data. In Computers in Cardiology, IEEE, 81-84.

    [45] Ranganath, S. (1995). Contour extraction from cardiac MRI studies using snakes. Medical Imaging, IEEE Transactions on, 14(2), 328-338.

    [46] Paragios, N. (2002). A variational approach for the segmentation of the left ventricle in cardiac image analysis. International Journal of Computer Vision, 50(3), 345-362.

    [47] Chakraborty, A., Staib, L. H., and Duncan, J. S. (1996). Deformable boundary finding in medical images by integrating gradient and region information. Medical Imaging, IEEE Transactions on, 15(6), 859-870.

    [48] El Berbari, R., Bloch, I., Redheuil, A., Angelini, E., Mousseaux, E., Frouin, F., and Herment, A. (2007, August). An automated myocardial segmentation in cardiac MRI. In Engineering in Medicine and Biology Society, 2007. EMBS 2007. 29th Annual International Conference of the IEEE, 4508-4511.

    [49] Jolly, M. P. (2006). Automatic segmentation of the left ventricle in cardiac MR and CT images. International Journal of Computer Vision, 70(2), 151-163.

    [50] Pham, Q. C., Vincent, F. C. P. C. P., Clarysse, P., Croisille, P., and Magnin, I. E. (2001). A FEM-based deformable model for the 3D segmentation and tracking of the heart in cardiac MRI. In Image and Signal Processing and Analysis, 2001. ISPA 2001, 250-254.

    [51] Zhukov, L., Bao, Z., Guskov, I., Wood, J., and Breen, D. (2002, February). Dynamic deformable models for 3D MRI heart segmentation. In SPIE Medical Imaging, 46 , 1398-1405.

    [52] Montagnat, J., and Delingette, H. (2005). 4D deformable models with temporal constraints: application to 4D cardiac image segmentation. Medical Image Analysis, 9(1), 87-100.

    [53] Heiberg, E., Wigstrom, L., Carlsson, M., Bolger, A. F., and Karlsson, M. (2005, September). Time resolved three-dimensional automated segmentation of the left ventricle. In Computers in Cardiology, IEEE, 599-602.

    [54] Lynch, M., Ghita, O., and Whelan, P. F. (2008). Segmentation of the left ventricle of the heart in 3-D+ t MRI data using an optimized nonrigid temporal model. Medical Imaging, IEEE Transactions on, 27(2), 195-203.

     

     

    [55] Billet, F., Sermesant, M., Delingette, H., and Ayache, N. (2009). Cardiac motion recovery and boundary conditions estimation by coupling an electromechanical model and cine-MRI data. In Functional Imaging and Modeling of the Heart, Springer Berlin Heidelberg, 376-38.

    [56] Frangi, A. F., Rueckert, D., Schnabel, J. A., and Niessen, W. J. (2002). Automatic construction of multiple-object three-dimensional statistical shape models: Application to cardiac modeling. Medical Imaging, IEEE Transactions on, 21(9), 1151-1166.

    [57] Heimann, T., and Meinzer, H. P. (2009). Statistical shape models for 3D medical image segmentation: A review. Medical image analysis, 13(4), 543-563.

    [58] Rohlfing, T., Brandt, R., Menzel, R., Russakoff, D. B., and Maurer Jr, C. R. (2005). Quo vadis, atlas-based segmentation?. In Handbook of Biomedical Image Analysis, 435-486.

    [59] Lynch, M., Ghita, O., & Whelan, P. F. (2006). Left-ventricle myocardium segmentation using a coupled level-set with a priori knowledge. Computerized Medical Imaging and Graphics, 30(4), 255-262.

    [60] Tsai, A., Yezzi Jr, A., Wells, W., Tempany, C., Tucker, D., Fan, A., ... and Willsky, A. (2003). A shape-based approach to the segmentation of medical imagery using level sets. Medical Imaging, IEEE Transactions on, 22(2), 137-154.

    [61] Senegas, J., Cocosco, C. A., and Netsch, T. (2004, May). Model-based segmentation of cardiac MRI cine sequences: a Bayesian formulation. In Medical Imaging, International Society for Optics and Photonics, 432-443.

    [62] Cootes, T. F., Taylor, C. J., Cooper, D. H., and Graham, J. (1995). Active shape models-their training and application. Computer vision and image understanding, 61(1), 38-59.

    [63] Mitchell, S. C., Bosch, J. G., Lelieveldt, B. P., van der Geest, R. J., Reiber, J. H., and Sonka, M. (2002). 3-D active appearance models: segmentation of cardiac MR and ultrasound images. Medical Imaging, IEEE Transactions on, 21(9), 1167-1178.

    [64] Stegmann, M. B., Nilsson, J. C., and Grønning, B. A. (2001). Automated segmentation of cardiac magnetic resonance images. Proc, International Society of Magnetic Resonance In Medicine-ISMRM 2001, Glasgow, Scotland, UK, 9. 827.

    [65] Mitchell, S. C., Lelieveldt, B. P., van der Geest, R. J., Bosch, H. G., Reiver, J. H. C., and Sonka, M. (2001). Multistage hybrid active appearance model matching: segmentation of left and right ventricles in cardiac MR images. Medical Imaging, IEEE Transactions on, 20(5), 415-423.

    [66] Zhang, H., Wahle, A., Johnson, R. K., Scholz, T. D., and Sonka, M. (2010). 4-D cardiac MR image analysis: left and right ventricular morphology and function. Medical Imaging, IEEE Transactions on, 29(2), 350-364.

    [67] Zambal, S., Hladůvka, J., and Bühler, K. (2006). Improving segmentation of the left ventricle using a two-component statistical model. In Medical Image Computing and Computer-Assisted Intervention–MICCAI, Springer Berlin Heidelberg, 151-158.

    [68] Üzümcü, M., Frangi, A. F., Sonka, M., Reiber, J. H., and Lelieveldt, B. P. (2003). ICA vs. PCA active appearance models: Application to cardiac MR segmentation. In Medical Image Computing and Computer-Assisted Intervention-MICCAI, Springer Berlin Heidelberg, 451-458.

    [69] Ordas, S., Van Assen, H. C., Boisrobert, L., Laucelli, M., Puente, J., Lelieveldt, B. P., and Frangi, A. F. (2005). Statistical modeling and segmentation in cardiac MRI using a grid computing approach. In Advances in Grid Computing-EGC, Springer Berlin Heidelberg, 6-15.

    [70] Abi-Nahed, J., Jolly, M. P., and Yang, G. Z. (2006). Robust active shape models: A robust, generic and simple automatic segmentation tool. In Medical Image Computing and Computer-Assisted Intervention–MICCAI, Springer Berlin Heidelberg, 1-8.

    [71] Mitchell, S. C., Bosch, J. G., Lelieveldt, B. P., van der Geest, R. J., Reiber, J. H., and Sonka, M. (2002). 3-D active appearance models: segmentation of cardiac MR and ultrasound images. Medical Imaging, IEEE Transactions on, 21(9), 1167-1178.

    [72] Mitchell, S. C., Lelieveldt, B. P., van der Geest, R. J., Bosch, H. G., Reiver, J. H. C., and Sonka, M. (2001). Multistage hybrid active appearance model matching: segmentation of left and right ventricles in cardiac MR images. Medical Imaging, IEEE Transactions on, 20(5), 415-423.

    [73] Collins, D. L., Holmes, C. J., Peters, T. M., and Evans, A. C. (1995). Automatic 3‐D model‐based neuroanatomical segmentation. Human Brain Mapping, 3(3), 190-208.

    [74] Lorenzo-Valdés, M., Sanchez-Ortiz, G. I., Mohiaddin, R., and Rueckert, D. (2002). Atlas-based segmentation and tracking of 3D cardiac MR images using non-rigid registration. In Medical Image Computing and Computer-Assisted Intervention—MICCAI, Springer Berlin Heidelberg, 642-650.

    [75] Studholme, C., Hill, D. L., and Hawkes, D. J. (1999). An overlap invariant entropy measure of 3D medical image alignment. Pattern recognition, 32(1), 71-86.

     

     

    [76] Lötjönen, J., Kivistö, S., Koikkalainen, J., Smutek, D., and Lauerma, K. (2004). Statistical shape model of atria, ventricles and epicardium from short-and long-axis MR images. Medical image analysis, 8(3), 371-386.

    [77] Lorenzo-Valdés, M., Sanchez-Ortiz, G. I., Elkington, A. G., Mohiaddin, R. H., and Rueckert, D. (2004). Segmentation of 4D cardiac MR images using a probabilistic atlas and the EM algorithm. Medical Image Analysis, 8(3), 255-265.

    [78] Alrashidi, M. R., and El-Hawary, M. E. (2006). A survey of particle swarm optimization applications in power system operations. Electric Power Components and Systems, 34(12), 1349-1357.


تحقیق در مورد پایان نامه ارائه یک روش برای بخش بندی بطن راست و چپ از تصاویر MRI قلبی, مقاله در مورد پایان نامه ارائه یک روش برای بخش بندی بطن راست و چپ از تصاویر MRI قلبی, پروژه دانشجویی در مورد پایان نامه ارائه یک روش برای بخش بندی بطن راست و چپ از تصاویر MRI قلبی, پروپوزال در مورد پایان نامه ارائه یک روش برای بخش بندی بطن راست و چپ از تصاویر MRI قلبی, تز دکترا در مورد پایان نامه ارائه یک روش برای بخش بندی بطن راست و چپ از تصاویر MRI قلبی, تحقیقات دانشجویی درباره پایان نامه ارائه یک روش برای بخش بندی بطن راست و چپ از تصاویر MRI قلبی, مقالات دانشجویی درباره پایان نامه ارائه یک روش برای بخش بندی بطن راست و چپ از تصاویر MRI قلبی, پروژه درباره پایان نامه ارائه یک روش برای بخش بندی بطن راست و چپ از تصاویر MRI قلبی, گزارش سمینار در مورد پایان نامه ارائه یک روش برای بخش بندی بطن راست و چپ از تصاویر MRI قلبی, پروژه دانشجویی در مورد پایان نامه ارائه یک روش برای بخش بندی بطن راست و چپ از تصاویر MRI قلبی, تحقیق دانش آموزی در مورد پایان نامه ارائه یک روش برای بخش بندی بطن راست و چپ از تصاویر MRI قلبی, مقاله دانش آموزی در مورد پایان نامه ارائه یک روش برای بخش بندی بطن راست و چپ از تصاویر MRI قلبی, رساله دکترا در مورد پایان نامه ارائه یک روش برای بخش بندی بطن راست و چپ از تصاویر MRI قلبی

پایان نامه برای دریافت درجه کارشناسی ارشد(MS.c) گرایش: هسته ای چکیده پایان نامه: در این تحقیق تصویر بردای از عضلۀ قلب به­روش SPECT، روشی غیر تهاجمی برای تشخیص بیماران مشکوک به بیماری عروق کرونر است. یکی از مهمترین آرتیفکت­های حرکتی در تصویربرداری به­روش SPECT، حرکت تنفسی است که سبب کاهش کیفیت تصویر خواهد شد. هدف از این تحقیق، بررسی تأثیر حرکت تنفسی نرمال در ناحیۀ RCA بطن چپ ...

پایان‌نامه برای دریافت درجه کارشناسی‌ارشد (M.Sc) در رشته شیلات- گرایش تکثیر و پرورش آبزیان چکیده این تحقیق جهت بررسی الگوی رشد، روند تغییرات شکل بدن در طی مراحل اولیه و تحلیل الگوی همبستگی ساختارهای بدن در طی مراحل اولیه رشدی و بررسی نقش عملکردی و کارآیی هر یک از مراحل شکلی ماهی کلمه (Rutilus rutilus caspicus)انجام شد. نمونه‌برداری در مجتمع بازسازی ذخایر ماهیان خاویاری سد وشمگیر ...

پایان­نامه ارشد جهت اخذ درجه کارشناسی ارشد چکیده بازشناسی چهره در زمینه­های بیومتریک، بینایی ماشین و تشخیص الگو بوده و دارای کاربرد گسترده­ای از جمله مسائل مربوط به سیستم­های امنیتی می­باشد. از آن­جا که عوامل مختلفی از جمله نحوه نورپردازی محیط، نویز، و ماتی تصویر در عملکرد روش‌های بازشناسی چهره کم و بیش تاثیرگذارند، لذا بررسی روش‌های رفع ماتی از تصاویر چهره مورد استفاده در ...

پایان‌نامه کارشناسی ارشد در رشته مهندسی عمران – نقشه‌ برداری گرایش سنجش از دور چکیده طبقه‌بندی پوشش اراضی شهری همیشه به علت قابلیت برقراری ارتباط عناصر انسانی با محیط‌ های فیزیکی و استفاده در مدیریت بهتر منابع دارای اهمیت بوده و هست. نیاز به دانش به‌روز، صحیح و دارای جزئیات از اطلاعات پوشش اراضی شهری حاصل از داده‌های سنجش از دور به طور فزاینده‌ای در میان بسیاری از جوامع احساس ...

پایان نامه برای دریافت درجه کارشناسی ارشد (MSC) گرایش برق الکترونیک چکیده پایان نامه (شامل خلاصه، اهداف، روش های اجرا و نتایج به دست آمده) : یک سامانه بیومتریک بر اساس مشحصه های منحصر بفرد در هر فرد اقدام به شناسایی خودکار افراد می کند.یک سامانه شامل چندین مرحله می باشدتا بتواند یک شخصی را شناسایی کند.این مراحل عبارتند از 1)گرفتن تصویر 2)جداسازی و ایزوله کردن ناحیه عنبیه در ...

پایان‏نامه جهت اخذ درجه کارشناسی ارشد رشته مهندسی پزشکی چکیده آریتمی‌ های قلبی یکی از بیماری‌ های قلبی بوده که در مورد بیماران بستری شده در بخش مراقبت‌های ویژه باید به آن توجه شود. هوشمند‌سازی فرآیند تشخیص دقیق بیماری‌های قلبی مساله‌ای است که سال‌ها مورد توجه پژوهشگران قرار گرفته است. در این تحقیق روشی کارآمد جهت گزینش ویژگی‌های مناسب استخراج شده از سیگنال ECG، بر پایه‌ی ...

پایان نامه برای دریافت درجه کارشناسی ارشد در رشته مهندسی مکاترونیک(M.Sc) چکیده تکنولوژی بیومتریک، براساس مشخصه های منحصر به فرد هر شخص اقدام به تشخیص خودکار هویّت افراد می­کند. محققّین به شکل گسترده ای با تنوعی از روش های به کار گرفته شده توانسته اند بافت عنبیه را با دقّت بالایی حتّی در شرایط مختلف استخراج نمایند. در نتیجه تلاش ما در این پایان نامه ارائه دیدگاه ها و روش هایی ...

پایان نامه برای دریافت درجه کارشناسی ارشد رشته هوش مصنوعی چکیده یکی از پیچیده‌ترین کار‌ها در پردازش تصاویر دیجیتال، بخش‌ بندی تصاویر است. به‌دلیل افزایش توجه به این تکنیک توسط محققان و تبدیل آن به یک نقش حیاتی در بسیاری از زمینه‌های کاربردی مثل کاربرد‌های پزشکی مورد استفاده قرار می‌گیرد. امروزه در دندان‌پزشکی مدرن، تکنیک‌های مبتنی بر استفاده از کامپیوتر مانند طرح‌ریزی و ...

پایان نامه‌ی کارشناسی ارشد در رشته­ی مهندسی پزشکی بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم­های واسط کامپیوتری-مغزی سیستم­های واسط کامپیوتری-مغزی سیستم­هایی هستند که می­توانند سیگنال­های الکتریکی مغزی مرتبط با تصورات حرکتی در مغز انسان را به دستورات قابل فهم کامپیوتری ترجمه کنند. لذا این قابلیت می­تواند به کمک بسیاری از بیماران حسی-حرکتی بیاید و تا حد بسیار ...

پایان نامه برای دریافت درجه کارشناسی ارشد در رشته تربیت بدنی گرایش: فیزیولوژی ورزشی چکیده این پژوهش با هدف بررسی تاثیر شش هفته تمرین و سه هفته بی تمرینی بر ظرفیت هوازی و بی هوازی داوران فوتسال شهرستان ساری، انجام شد. روش پژوهش، شبه آزمایشی با طرح پیش آزمون و پس آزمون با گروه های آزمایش و کنترل بود. جامعه آماری شامل کلیه داوران فوتسال شهرستان ساری در سال 1393 به تعداد 30 نفر بود ...

ثبت سفارش