ایجاد و توسعه مدلهای بیولوژیک
تحلیل رایانه ای داده های ژنوم های گیاهی و جانوری
تحلیل رایانه ای و برنامه ای داده های پروتئوم های گیاهی و جانوری
ایجاد ابزارها و زیرساختهای نرم افزاری در جهت اهداف پژوهشی مرکز
تولید نرم افزارهای کاربردی جهت ارائه به سایر محققین
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
Zekri, Maryam. "A review of medical image classification using Adaptive Neuro-Fuzzy Inference System (ANFIS)." Journal of Medical Signals and Sensors ۲.۱ (۲۰۱۲): ۴۹-۶۰.
Using Protein Interaction Database and Support Vector Machines to Improve Gene Signatures for Prediction of Breast Cancer Recurrence. MR Sehhati, AM Dehnavi, H Rabbani, SH Javanmard. Journal of medical signals and sensors 3 (2), 87
Paper: USING
PROTEIN INTERACTION DATABASE AND SUPPORT VECTOR MACHINES TO IMPROVE GENE
SIGNATURES FOR PREDICTION OF BREAST CANCER RECURRENCE. MR SEHHATI, DA MEHRI, H RABBANI, JS HAGHJOOYazsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
Paper: HYBRID METHOD FOR PREDICTION OF METASTASIS IN BREAST CANCER PATIENTS USING GENE EXPRESSION SIGNALS. DA MEHRI, MR SEHHATI, H RABBANIJournal of medical signals and sensors 3 (2), 79
Interdisciplinary Researches in Iran.SH Javanmard, H Rabbani. Journal of medical signals and sensors 1 (2), 89
Interdisciplinary Researches in Iran II. SH Javanmard, H Rabbani. Journal of medical signals and sensors 2 (2), 71
Bio-Signal and System Modeling: From Image Processing to System Biology.S Haghjooy Javanmar, H Rabbani. Journal of Medical Signals and Sensors 3 (1)
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
Bio-signal and System Modeling: From Image Processing to System Biology. H Rabbani, SH JavanmarJournal of medical signals and sensors 3 (1), 1
A Comparison of x-lets in Denoising cDNA Microarray Images. R Shams, H Rabbani, S Gazor.Acoustics, Speech and Signal Processing (ICASSP), 2014 IEEE International ...
نتلاش ها و پیشرفت های مهمی در عرصه پردازش تصاویر شبکیه به منظور ارائه سیستم هایی اتوماتیک جهت تشخیص بیماریهای مختلف روی آن انجام شده است. چنین سیستم هایی علاوه بر اینکه امکان پردازش تصاویر شبکیه را در حجم زیاد و با حداقل زمان و هزینه فراهم می کنند، از خستگی و ضعف های دیگری که شخص تشخیص دهنده می تواند دچار شود مبرا می باشند.
ک بیماریهایی از قبیل رتینوپاتی دیابتی۱، تخریب ماکولای وابسته به سن۲، رتینوپاتی زودرس۳ انجام شده است و کار بر روی این تصاویر در جهت معرفی الگوریتمهای جدید با قابلیت اعمال بر روی تصاویر با کیفیت و روشنایی مختلف و رسیدن به حداقل خطا همچنان ادامه دارد. همچنین امروزه با استفاده از تکنیکهای پردازش تصویر و اندازه گیری کمی توپوگرافی رگهای خونی شبکیه۴ ، ارتباط بین رگهای ریز ایجاد شده بر روی سطح شبکیه و بیماریهای قلبی مورد مطالعه قرار می گیرد. امکان انتقال تصاویر و ارتباط با نقاط دور۵ نیز باعث افزایش استفاده از تکنیکهای پردازش تصویر در تصمیم گیری های بالینی بر روی تصاویر شبکیه افراد مراجعه کننده به مراکز درمانی روستایی شده است که امروزه تحت عنوان“Tele-Ophthalmology” از آن یاد می شود. اخذ تصاویر در فواصل زمانی معین از بیمار و ثبت۶ این تصاویر نیز امکان مطالعه بر روند تغییرات الگوها و مراحل مختلف چگونگی پیشرفت بیماری بر روی شبکیه را فراهم می سازد.
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
کارهای مختلفی که در جهت رسیدن به این اهداف بر روی تصاویر شبکیه انجام می شود به شرح زیر است:
افزایش کنتراست۷ و یکنواخت سازی روشنایی۸ تصاویر شبکیه
تشخیص مکان، محدوده و اندازه دیسک نوری۹(جهت بررسی چگونگی پیشرفت گلوکاما)
تشخیص مکان فووآ۱۰ و محدوده ماکولا۱۱
استخراج رگهای خونی و آنالیز کمی این رگها از لحاظ قطر و مقدار
تشخیص لکه های قرمز تحت عنوان میکروآنوریزم ها۱۲ و هموریژها۱۳ و کلاس بندی آنها
تشخیص لکه های زرد تحت عنوان اگزودیتها۱۴ و کلاس بندی این الگوها به دو دسته سافت-اگزودیت ها۱۵ و هارد-اگزودیت ها۱۶
همچنین تکنیک جدید تصویر برداری از روی شبکیه ۳D-OCT17 و فراهم شدن امکان اخذ اطلاعات و تصاویر با دقت و کیفیت بالا از لایه های مختلف شبکیه باعث شده است تا با کار بر روی این تصاویر، خطای الگوریتم های ارائه شده جهت تشخیص و استخراج اتوماتیک الگوهای مرتبط با بیماریهای شبکیه را کمتر نمود، و روش ها و الگوریتم های نوینی در جهت آنالیز اتوماتیک این تصاویر معرفی کرد.
در این گروه با توجه به عملکرد مطلوب تبدیل چند مقیاسی کرولت در حوزه پردازش تصویر سعی شده است الگو های مربوط به بیماری رتینوپاتی دیابتی (اگزودیت ها، هموریژها، میکروآنوریزم ها) و همچنین مکان و محدوده دیسک نوری و رگهای خونی شبکیه با استفاده از این تبدیل و دیگر روشهای معمول پردازش تصویر از روی تصاویر دیجیتالی رنگی شبکیه استخراج شود. همچنین کار بر روی تصاویرOCT و تشخیص بیماریARMD در حال انجام می باشد. در حال حاضر بالغ بر ۲۰۰ تصویر رنگی شبکیه از بیماران مختلف تهیه شده است و علاقمندان به تحقیق در این حوزه می توانند با اعضای این گروه تماس حاصل نمایند.
WEB MD Link: Anatomy of the eye
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
افت شبکیه چشم یک ساختار چند لایه ای است که با ساختاری مرکب از چندین لایه سلولی، بخش خلفی حفره چشم را در بر گرفته (مطابق شکل ۱)، مسئول تبدیل انرژی نورانی به سیگنالهای عصبی برای تحلیل نهایی توسط مغز می باشد. لایه های درونی شبکیه همانند شکل ۱ شامل موارد زیر می باشند:
شکل ۱– (a) لایه های درونی شبکیه-(b) نمای دو بعدی از چشم.
نور از میان این لایه های داخلی عبور نموده، بطوریکه سلولهای میله ای[۱] و مخروطی[۲] درISL وOSL و بدنه این سلولها درONL یک بخش دریافت کننده نور[۳] را تشکیل می دهند که وظیفه آن تبدیل سیگنال نوری به سیگنال عصبی می باشد. درOPL، آکسونهای دریافت کننده نور به دندریت های سلولهای دوقطبی و سلولهای افقی که در بین نرونها و به منظور پردازش سیگنال قرار دارند، اتصال می یابند. سلولهای دو قطبی درINL، سیگنال عصبی را از دریافت کننده های نور و سلولهای افقی به آکسون منتقل می نمایند. درIPL آکسونهای دو قطبی به دندریت سلولهای گانگلیون[۴] متصل شده و سلولهای گانگلیون درGCL سیگنال عصبی را از طریق عصب بینایی[۵] به مغز منتقل می نمایند.
دو مورد از مهمترین بیماریهای مرتبط با شبکیه شامل بیماری آب سیاه[۶] و مشکلات شبکیه ناشی از مرض قند[۷] می باشد. بیماری آب سیاه دومین علت اصلی نابینایی در جهان به شمار می رود . نشانه این بیماری، گودالی شدن[۸] عصب بینایی و از دست رفتن میدان دید می باشد. دهانه عصب بینایی[۹] (ONH) بخشی است که عصب بینایی را به شبکیه متصل می نماید و ساختار دو بعدی آن دیسک بینایی[۱۰] نام دارد و تاثیرات بیماری آب سیاه در این محدوده از شبکیه ظاهر می گردد. این تغییرات در شکل ۲ نشان داده شده اند.
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
شکل ۲ –تغییراتONH در اثر بیماری آب سیاه. (a) ONH نرمال. (b) ONH بعد از بیماری آب سیاه.
مشکلات شبکیه ناشی از مرض قند نیز از بیماریهای منجر به نابینایی بوده ولی با تشخیص زود هنگام و معاینات سالیانه می توان از عواقب آن جلوگیری نمود. دلیل اصلی از دست رفتن بینایی در این بیماری، ورم لکه ای دیابتی [۱۱](DME) می باشد که در اثر فرو ریختن سد بین خون و شبکیه بدلیل نشتی مویرگی رخ می دهد (شکل ۳). در صورت درگیر شدن مرکز بینایی[۱۲] با ورم، احتمال نابینایی در بیمار بوجود می اید.
بررسی دقیق شبکیه برای تشخیص بیماریهای این اندام، نیازمند نوعی تصویرگیری دقیق از لایه های تشکیل دهنده آن می باشد. روشهای متداول تصویر برداری از شبکیه به شرح زیرند:
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
افتالمسکوپ که در سال ۱۸۵۱ توسطHermann von Helmholtz معرفی شد.
آنژیوگرافی فلورسنتی که در سال ۱۹۶۱ توسطNovotny وAlvis معرفی شد.
· OCT [13] که در سال ۱۹۹۱ توسطHuang معرفی شد.
روشهای جدید تر مانند اولترسوند و اندازه گیری فلوی خون توسط لیزر.
شکل ۴ رنج کاری تصویرگیریOCT را با تکنیک های استاندارد دیگر مقایسه می نماید. این روش تصویرنگاری در ثبت تصاویری مانند اطلاعات ساختاری، جریان خون،پارامتر های کشسانی، تغییرات پلاریزاسیون و محتویات مولکولی توانایی های مناسبی دارد و با استفاده از اصول اندازه گیری طول موج از طریق بررسی تداخل اشعه های نور (اینترفرومتری)[۱۴] می تواند تصاویر دو یا سه بعدی با رزولوشن بالا از مقطع اناتومیکی مورد نظر را بسازد.
شکل ۴ - مقایسه رنج کاری تصویرگیریOCT با تکنیک های استاندارد.
یک شمای ساده برای سیستمOCT با منبع دارای همدوسی پایین به همراه یک اینترفرومتر در شکل ۵ نشان داده شده است.
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
شکل ۵ - یک شمای ساده برای سیستمOCT با منبع دارای همدوسی پایین به همراه یک اینترفرومتر.
با تغییر دادن محوری[۱۵] مکان بازوی مرجع، داده مورد نظر در راستای محوری بدست می آید(A scan). در صورتیکه فاصله رفت و برگشتی از رفلکس داده مورد نظر با فاصله رفلکس مرجع برابر باشد، لبه های[۱۶] تداخلی در آشکار ساز دیود نوری حاصل می گردند. دامنه این لبه ها متناسب با مقدار بازتاب پذیری[۱۷] پراکنده ساز[۱۸] می باشد. یک پروفایل دو بعدی(B scan) با حرکت دادن عرضی اشعه و جمع کردن داده های محوری در هر مکان عرضی بدست می آید. تفاوتهای جزئی در لایه های مجاور به صورت تغییرات در شدت دامنه های پراکندگی مشاهده می گردند.
تکنولوژیOCT در دو نوع معمول حوزه زمان و حوزه فوریه مورد استفاده قرار گرفته است. در نوع زمانی، همانطور که در بالا ذکر شد، در صورتیکه فاصله رفت و برگشتی از رفلکس داده مورد نظر با فاصله رفلکس مرجع برابر باشد، لبه های تداخلی در آشکار ساز ظاهر می شوند. ولی در حوزه فوریه بازوی مرجع ثابت باقی می ماند و تفاوت طول مسیر نوری بین نمونه مورد نظر و بازتاب از مرجع توسط فرکانس لبه های تداخلی و بصورت تابعی از طیف منبع کدگذاری می شوند. در سیستم های حوزه فوریه دو نوع شکل بندی وجود دارد: OCT حوزه فرکانس[۱۹] که از یک شبکه از سیم های موازی [۲۰] برای تفرق فضایی[۲۱] طیف از میان آشکاز ساز آرایه ای استفاده می کند. درOCT نوع دامنه جاروبی[۲۲] یک لیزر با باند باریک از میان یک طیف عریض جاروب می شود و طیف را بصورت تابعی از زمان کد می نماید (شکل ۶).
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
صرفنظر از اینکه طیف در حوزه زمان یا در حوزه مکان از میان آشکار ساز آرایه ای نمونه برداری شده باشد، فرکانس لبه های تداخلی بصورت تابعی از طیف بوده مکان پراکندگی را کد می نماید. در نتیجه افزایش فرکانس مشاهده شده متناظر با عدم تطابق بیشتر در طول مسیر نوری می باشد. تبدیل فوریه به عنوان یک ابزار ریاضیاتی متداول برای استخراج محتویات فرکانسی سیگنالها به شمار می رود ولی باید بخاطر داشت که طول موج (بر حسب فاصله) معادل دقیقی از تبدیل فوریه فاصله نمی باشد بلکه به جای طول موج، تعداد موجها (بر حسب عکس فاصله) در این تبدیل فوریه محاسبه می گردد.
شکل ۶- حالات مختلفOCT حوزه فوریه.
تصاویرOCT اخذ شده به هرکدام از روشهای فوق شامل حجم عظیمی از اطلاعات هستند. در نتیجه تحلیل غیر اتوماتیک و چشمی این داده ها برای چشم پزشک تقریبا ناممکن می باشد. یک عامل موثر در مطرح شدن بحث های مربوط به بخش بندی[۲۳] اتوماتیک این تصاویر، فراهم نمودن یک ابزار کمی مناسب برای کمک به چشم پزشکان در تشخیص و مونیتور نمودن بیماریهای وابسته به چشم می باشد. از آنجاییکه حجم زیادی از اطلاعات در چنین تصاویری نهفته است، اثربخشی چنین نمود اتوماتیکی می تواند در بسیاری از کاربرد ها بوضوح قابل مشاهده باشد. به عنوان مثال، شکل ۷ یک نمونه از چنین بخش بندی های اتوماتیکی را بر روی تصاویرOCTنمایش می دهد.
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
شکل ۷- لایه بندی اتوماتیک تصاویرOCT
مروری بر روشهای پیش پردازش درتصاویرOCT :
یکی از متداول ترین مشکلات موجود در این تصاویر شامل نویز تقریبا زیاد داده ها می باشد. مقالات متعددی از سال ۱۹۹۱ تاکنون برای پیش پردازش این تصاویر به منظور حذف نویز پیشنهاد شده اند و روشهایی از قبیل فیلتر پایین گذر، فیلتر میانه، روشهای مبتنی بر شبکه های عصبی و روشهای بر پایه موجک در مقالات مورد بررسی قرار گرفته اند. جدول ۱ روش های مطرح شده و مقالات مربوطه را بطور خلاصه در بر می گیرد.
جدول ۱- روش های مختلف پیش پردازش تصاویرOCT به منظور حذف نویز
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
Researches
Preprocessing method
Hee, M.R.
low-pass filtering
Huang, Y.
۲D lineal smoothing
George, A., Koozekanani, D, Herzog, A., Shahidi, M.(13),Shrinivasan, VJ., Lee, K. and Boyer, K.
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
median filter
Ishikawa, H.,Mayer, M.
mean filter
M,Baroni
Two 1D filters
median filtering along the A-scans
Gaussian kernel in the longitudinally direction
Bagci, A.M.
Directional filtering
Mishra, A.
adaptive vector-valued kernel function
Fuller, A.R.
SVM approach
Quellec , G.
wavelet shrinkage
Gregori, G., Garvin, M., Cabrera Fernández, D.
non-linear anisotropic filter
Yazdanpanah, A, Abramoff, M.D. Yang, Q
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
none
یکی دیگر از مشکلات مطرح در این تصاویر، ایجاد خطdrift در هنگام تصویرگیری می باشد که روش حل آن استخراج لایهinternal limiting membrane (ILM) و هم تراز کردن کل تصویر بر اساس این منحنی می باشد. هرکدام از روشهای موجود در بخش بندی تصاویرOCT که به آنها اشاره خواهد شد می توانند برای استخراج این منحنی به کار برده شوند. شکل ۸ دو نمونه از این نوع تراز را نشان می دهد.
شکل ۸- دو نمونه از تراز تصاویرOCT.
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
مروری بر روشهای بخش بندی لایه ها درتصاویرOCT :
مهمترین اولویت پردازش در تصاویرOCT بخش بندی این تصاویر در دو یا سه بعد می باشد. با وجود اینکه تکنولوژیOCT از سال ۱۹۹۱ در حال تکامل می باشد، بخش بندی این داده ها تنها در دهه اخیر مطرح شده و به عنوان یکی از مشکل ترین و مورد نیاز ترین گام ها در آنالیز این داده ها قلمداد می گردد و هیچ روش بخش بندی که بتواند برای تمام کاربرد ها مفید واقع گردد تاکنون مطرح نشده است. برای بررسی معنی دار تر، می توان دیدگاه های مختلف در بخش بندی را به ۵ دسته تقسیم نمود: روش های قابل اعمال برA-scan، روش های قابل اعمال برB-scan ، روشهای مبتنی بر کانتورهای فعال (معمولا در تصاویر ۲ بعدی)، روش های آنالیز بر اساس هوش مصنوعی و روش های مبتنی بر روشهای گراف سه بعدی برای اعمال روی داده های حجمی سه بعدی درOCT. برای بررسی برتری انواع روشها نسبت به یکدیگر میتوان پارامتر های مختلفی را مورد آزمون قرار داد که مدت زمان لازم برای پردازش داده ها یکی از پارامتر های پر اهمیت در این زمینه می باشد. کاهش زمان پردازش موجب قابل استفاده بودن متد در کاربردهای کلنیکی و به صورت همزمان با تصویر گیری[۲۴] می گردد. روشهای مطرح شده تا کنون برای پردازش هر تصویر دو بعدی به ۹ تا ۱۲۰ ثانیه و برای پردازش هر داده سه بعدی به ۴۵ تا ۳۰۰ ثانیه دست یافته اند. علاوه بر این، خطای مکان یابی نیز در بررسی روش های مختلف از اهمیت بسزایی برخوردار بوده، خطای کمتر موجب اعتبار و قابلیت اطمینان بالای هر روش گردیده، میتواند به عنوان معیاری برای امکان جایگزینی روش اتوماتیک با علامت گذاری دستی باشد. محدوده خطاهای گزارش شده در روشهای قبلی از ۳۶ میکرومتر تا ۲.۸ میکرومتر متغیر می باشد (البته در محاسبه خطا ها بایستی به زرولوشن تصویرگیری در هر راستا برای تبدیل هر پیکسل به میکرومتر دقت نمود.). محاسبه صحیح تصاویر نشانگر ضخامت لایه ها[۲۵] نیز از جمله نکات مهم در بررسی توانایی روشهای ممکن در این کاربرد به حساب می آید. نکته مهم دیگر در مقایسه روشهای موجود، قدرت این روشها در تفکیک لایه های آناتومیکی مجزا میباشد. بهترین نتیجه گزارش شده در تحقیقات قبلی قادر به تفکیک ۱۰ لایه مجزا می باشند، در صورتیکه تعداد این لایه ها در ساختار نرمال شبکیه ۱۳ عدد میباشند. نهایتا، امکان حذف انحنای ناخواسته تصاویر (هم تراز [۲۶] کردن) که ناشی از حرکات غیر عمدی چشم در حین تصویر برداری می باشد، دارای اهمیت بوده و تمام روشهای موجود، یک مرحله اصلی از الگوریتم ها را به این مرحله اختصاص داده اند.
روش های قابل اعمال برA-scan در ابتدا توسطHee مطرح شدند و تا سال ۲۰۰۵ معمول و فراگیر بودند. این روشها بهیچ وجه از اطلاعات ۳ بعدیOCT استفاده نمی کردند و معایبی مانند زمان عملیات بسیار طولانی و صحت پایین در تشخیص لایه ها در آنها غیر قابل اجتناب بود.
روش های قابل اعمال برB-scan توانستند با استفاده از روشهای کاهش نویز در مرحله پیش پردازشی تا حدی نویز دو بعدی را کاهش دهند ولی وابستگی شدید این روشها به کاهش نویز منجر به استفاده از روشهای بسیار پیچیده و زمانبر کاهش نویز مانندanisotropic diffusion گردید که باعث غیر کارآمد شدن این روشها از لحاظ زمان محاسباتی گردید. علاوه بر این، از آنجاییکه این روشها بر اساس شدت روشنایی تصاویر کار می کردند، روش های مورد نظر برای هر تصویر با روشنایی متفاوت باید باز نویسی می شد.
روشهای مبتنی بر کانتورهای فعال در بخش بندی تصاویرOCT برای اولین بار توسطCabrera Fernández مطرح شده، توسط یزدان پناه بهینه گشتند. متاسفانه مدت زمان اجرای الگوریتم ها و خطای دقیق این روشها در هیچ کدام از مقالات ذکر نشده است و در نتیجه مقایسه آنها با روش های دیگر چندان مقدور نمی باشد. با این وجود، این الگوریتم ها بدون شک در مقاومت در برابر نویز و نیز صحت حاصل، بر روش های مبتنی بر شدت روشنایی اعمال شده بهB-scan تفوق می جویند.
روش های آنالیز بر اساس هوش مصنوعی بر اساس ماشین بردار پشتیبان[۲۷] مرتبه ای[۲۸] با قدرت تفکیک چند گانه[۲۹] و یا بر اساس تکنیک های خوشه بندی سی- میانگین فازی[۳۰] پایه ریزی شده اند. روش های مبتنی بر ماشین بردار پشتیبان توانایی پایینی در تشخیص صحیح داشتند (تفاوت ۶ پیکسلی در تشخیص منحنی ها و تفاوت ۶۸ درصدی در تشخیص ضخامت ها) و زمان اجرای این الگوریتم ها نسبتا بالا بود ( ۲ دقیقه). اما روشهای مبتنی بر خوشه بندی سی- میانگین فازی با خطای ۲ پیکسلی و زمان اجرای ۴۵ ثانیه ای توانستند از روش اول پیشی بگیرند. بطور کلی، این دسته از روشها نمی توانند به عنوان دیدگاه استاندارد معرفی گردند چراکه روشهای مبتنی بر گراف توانستند بخوبی از لحاظ زمان محاسبه و دقت تشخیص نسبت به آنها برتری یابند.
روش های مبتنی بر روشهای گراف سه بعدی در مقایسه با تمام دیدگاه های مطرح شده، مناسب ترین روش، برای کاربرد مورد نظر می باشند. زمان پردازش در این روشها به حد ۴۵ ثانیه برای حجم سه بعدی (۴۸۰×۵۱۲×۱۲۸ وکسل) کاهش یافته است و دقت بالایی در حد خطای ۸/۲ میکرومتر برای بخش بندی سطوح در این روشها گزارش شده است. چنین روش هایی می توانند با استفاده از تکنیک های سه بعدی سازی و حجم سازی[۳۱] یک نمایش مناسب از نتایج بخش بندی را ارائه نمایند. با استفاده از تکنیک های مبتنی بر بافت[۳۲] در آنالیز گراف، این روش ها نسبت به نویز مقاومند[۳۳] و در نتیجه عملیات حذف نویز پیچیده و زمانبر در مرحله پیش پردازش تا حد زیادی غیر ضروری می باشند. همچنین این روشها می توانند ۱۰ لایه را در تصاویرOCT بخش بندی نمایند، در صورتیکه چنین عملکردی برای هیچکدام از الگوریتم های فوق الذکر ممکن نمی باشد. جدول ۲ یک جمع بندی بر روی دیدگاه های مطرح شده در بالا را ارائه می نماید و همچنین این روش ها را از لحاظ سیستمOCT مورد استفاده، روش پیش پردازش، محدوده خطا و زمان محاسبات مقایسه می کند.
از آنجاییکه روش های مبتنی بر گراف سه بعدی در بین روشهای فوق دارای اولویت بالاتر می باشند، در این تحقیق بدنبال روشهای جدیدی در حوزه گراف هستیم تا بتواند نقایص موجود در روشهای بخش بندی مطرح شده را برطرف نماید و یک مجموعه جواب بهینه ارائه نمایند. همچنین روشهایی مد نظر می باشند که علاوه بر بخش بندی مناسب داده ها، بتوانند در داده ی بیمار نیز بخوبی عمل کرده قادر به بازشناسی بخشهای آناتومیکی ناشی از بیماری مانند لایه های ملتهب، تجمع مایع میان بافتی و نیز پارگی در لایه ها باشد.
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
جدول ۲- جمع بندی بر روی دیدگاه های موجود در بخش بندی تصاویرOCT
Segmentation
Approach
Papers
OCT systems
preprocessing method
Error range
computation time
A-scan
Hee , Huang , George, Koozekanani
Gregori), Herzog, Shahidi, Ishikawa, Shrinivasan
TDOCT(Humphrey 2000, Stratus, OCT3Carl-Zeiss Meditec)/SDOCT(Cirrus HD-OCT)
Low-passfiltering, 2D linear smoothing, median filter,non-linearanisotropicfilter
۲۰-۳۶ µm
Not reported
B-scan
Boyer, Baroni, Tan, Bagci
TDOCT (OCT 3000Zees-Humphrey, OCT2
Carl-Zeiss Meditec, Stratus)/ SDOCT (RTVue100 OCT, Optovue, Freemont, CA)
۲D median filter, Gaussian smoothing filtering, bilateral filter
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
۴.۲-۵ µm
۹.۴۲seconds on a Pentium, 1.8 GHz processor with1 G-Byte of RAM
Active contours
Cabrera Fernández , Mishra, Yazdanpanah
TDOCT(Stratus OCT)/ experimental HROCT(high speed)/experimentalFD-OCT
Nonlinear anisotropic diffusion filter, adaptive vector-valued kernel function
Around 3pixels
۵- ۸۴ seconds
in Pentium 4CPU, 2.26 GHz
Artificial intelligence
Fuller , Mayer
experimental 3DOCT, SDOCT (Spectralis)
SVMapproach, 2D mean filter, directional filtering
Around 6 voxels
۴۵-۱۲۰ seconds on a 2Ghz Pentium IV on a computer with 3GB of RAM (dual processor3GHz Intel Xeon)
۳D graphs
Garvin, Abràmoff , Lee, Yang, Quellec
TDOCT (StratusOCT)/SDOCT(Cirrus–OCTTopcon3DOCT-1000)
۲D spectral reducing anisotropic diffusion filter, median filtering, wavelets
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
۲.۸ - ۶.۱ µm
۴۵- ۳۰۰ seconds using a Windows XP workstation with a 3.2-GHz Intel Xeon CPU/on a PC with Microsoft Windows XP Professionalx64 edition,Intelcore2 Duo CPU at3.00GHz, 4GBRAM, 16seconds in fast segmentation mode
Rods
برگرفته از پروپوزال دکترای مهندس راحله کافیه، دانشجویPhD دانشکده فناوریهای نوین، دانشگاه علوم پزشکی اصفهان
به منظور کسب اطلاعات بیشتر در این زمینه می توانید از لینک های زیر استفاده نمایید:
لینک ۱
لینک ۲
لینک ۳
Photoreceptor
Ganglion
Optic nerve
Glaucoma
Diabetic retinopathy
Cupping
Optic nerve head
Optic disc
Diabetic macular edema
Visual center
Optical Coherence Tomography
Interferometry
Axial
Fringe
Reflectivity
Scattered
Spectral Domain (SD)
Gating
Spatial disperse
Swept Source (SS)
Segmentation
Online
Thickness map
Align
Support Vector Machine (SVM)
Hierarchical
Multiresolution
Fuzzy C-means clustering
Rendering
Contextual
Robust to noise
جهت کسب اطلاعات بیشتر با سرکار خانم مهندس کافیه تماس حاصل نمایید.
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
۳۵۰
رفتن به محتوای اصلی
مرکز تحقیقات پردازش تصویر و سیگنال پزشکی
دولت و ملّت، همدلی و هم‌زبانی
previous pause next
مدل سازی ریاضی داده پزشکی
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
مدلسازی آماری تصویر با استفاده از فرایندهای تصادفی نامتغیر کروی و کاربرد آن در پردازش تصاویر پزشکی در حوزه تبدیلهای تُنُک مدل کردن صحیح سیگنال را می توان بعنوان هسته اولیه بسیاری از پردازشها دانست. در واقع مدل در نظر گرفته شده برای سیگنال، فرایند مورد نیاز برای پردازش از قبیل بهبود کیفیت [۱] ،کدینگ [۲] ،فشرده سازی [۳] ،استخراج ویژگی [۴] ،طبقه بندی [۵] و ... را تعریف می کند. بطور معمول در سیگنالها و تصاویر واقعی [۶] اعمال یک مدل معین [۷] بعلت پیچیدگی ذاتی و تاثیر عوامل متعدد در ثبت سیگنال مقدور نمی باشد. این مساله بویژه در مورد سیگنالهای حیاتی بعلت تاثیر ارگانهای مختلف داخل بدن بریکدیگر و دیگر عوامل محیطی و تکنیکی دوچندان می باشد. بر این اساس بطور معمول از مدلهای آماری [۸] همچون میدان تصادفی مارکف [۹] که فعل و انفعالات اجزای مختلف سیگنال را بصورت آماری و با استفاده از مدلهای مناسب شبیه سازی می نمایند جهت مدل کردن سیگنالها و تصاویر طبیعی استفاده می شود .بطور معمول مدل کردن آماری تصاویر در حوزه تبدیلهای تُنُک [۱۰] با پیچیدگی کمتری در مقایسه حوزه تصویر صورت می پذیرد. بعنوان نمونه خواصی همچون دُم دار بودن توزیع کناری [۱۱]، ناهمبسته بودن تابع چگال احتمال توام [۱۲] ، همبستگی درون مقیاسی [۱۳] ، مابین مقیاسی [۱۴] و مابین زیرباندی [۱۵] از خصوصیات ضرایب ویولت تصاویر طبیعی می باشد.در این طرح با توجه به ویژگیهای فرایندهای تصادفی نامتغیر کروی [۱۶] درصدد مدل کردن خصوصیات اصلی تصاویر در حوزه تبدیلهای تُنُک می باشیم. با استفاده از آزمونهای مناسب این مدل برای داده های مختلف مورد ارزیابی قرار گرفته و در نهایت کاربرد این مدل در برخی پردازشهای تصاویر پزشکی مورد تحلیل قرار می گیرد.
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com
.
Enhancement
Coding
Compression
Feature extraction
Classification
Natural signals & images
Deterministic
Statistical modeling
Markov Random Field
Sparse transforms
Long-tailed marginal distribution
Uncorrelated joint probability density function
Intrascale dependency
Interscale dependency
Inter-subband dependency
Spherically invariant random processes
azsoft.ir
azsoftir@gmail.com
0936-729-2276
azsoft.ir
azsoftir@gmail.com