Tag Archive: پروژه خوشه بندی آنتروپی گرادیان

فروش پروژه تقطیع تصویر MR با شبکه عصبی SOM و خوشه بندی آنتروپی گرادیان با نرم افزار MATLAB

كد: 2220

عنوان پروژه: فروش پروژه تقطیع تصویر MR با شبکه عصبی SOM و خوشه بندی آنتروپی گرادیان با نرم افزار MATLAB

قالب بندی:m

دسته: کامپیوتر – MATLAB

قیمت: 50.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه تقطیع تصویر MR با شبکه عصبی SOM و خوشه بندی آنتروپی گرادیان با نرم افزار MATLAB

هدف اصلی در تقطیع تصاویر MR مغزی، قطعه بندی تصاویر به نواحی گوناگون جهت نمایش ساختار آناتومیک می باشد. قطعه بندی تصاویر MRI امری جذاب می باشد زیرا نمایش دقیق ذرات سیاه، ذرات خاکستری، و مایع مغزی نخاعی، راهی را برای شناسایی اختلالات مغزی فراهم می کند که می توان به مواردی چون زوال عقلی، اسکیزوفرنی، شیزوفرنی، آلزایمر و غیره اشاره کرد. این مقاله و پیاده سازی به روشی غیرنظارتی برای تقطیع تصاویر MRI بر پایه شبکه عصبی SOM (Self Organizing Maps) یا خودسازمانده و الگوریتم ژنتیک (Genetic Algorithm – GA) پرداخته است. به طور کلی روش پیشنهادی شامل پنج مرحله است که شامل تصویر ورودی، استخراج ویژگی، انتخاب ویژگی با استفاده از روش های محاسبات تکاملی، طبقه بندی وکسل ها با استفاده از شبکه عصبی خودسازمانده و خوشه بندی نگاشت های تیز در تصویر می باشد. علاوه بر این، مکانیزم خوشه بندی SOM پیشنهادی به منظور نمایش تعیین حاشیه خوشه ها با در نظر داشتن فضای خروجی و ارتباط آن با فضای ورودی است. 

این مکانیزم خوشه بندی با داشتن ظرفیت در روابط مکانی با استفاده از محاسبه تابع آنتروپی گرادیان (GE) برای گروه گروه کردن هر واحد در فضای خروجی می پردازد. پروسه کامل از هیچ گونه دانش پیشین در زمینه انتساب کلاس وکسل ها استفاده نمی کند، بلکه یک روش کاملا غیر نظارتی و خودکار برای تقطیع تصویر MRI برای شناسایی مستقیم کلاس های مختلف بافت تصویر می باشد. پیاده سازی پروژه روی تصاویر دیتاستی به نام IBSR کار می کند که با در نظر گرفتن ذره سفید (WM) و مایع مغزی نخاعی به عنوان برچسب ها و استفاده از CGMM روشی پرکاربرد نسبت به روش ها قبل خواهد بود.

تصاویر MRI به دلیل داشتن رزولوشن مکانی عالی و کنتراست بافت عالی، به طور گسترده مورد استفاده واقع می گردند. همینطور تصاویر 3 بُعدی در این زمینه (تصاویر دایکام یا DICOM با پسوند .dcm)  راهی بهتر به منظور تشخیص بیماری های متعدد و برنامه ریزی برای عمل های جراحی را فراهم می آورند. در حال حاضر روش های مدرن به آنالیز تعداد زیادی از تصاویر در این زمینه می پردازند. مطالعه در رابطه با این تصاویر و نظر داددن راجع به آن ها با تشخیص متخصص میسر خواهد بود. به منظور تشخیص بهتر استفاده از ابزارهای تشخیص به کمک کامپیوتر یا CAD پیشنهاد می گردد. تقطیع تصاویر مغزی به نمایش بهتر سه بخش ذرات سفید (White Matter – WM)، ذرات خاکستری (Grey Matter – GM) و مایع مغزی نخاعی (Cerebrospinal Fluid – CSF) می پردازد و بیماری های زیادی را ممکن است به تصویر بکشد. روش پیشنهادی تقطیع تصویر MR مغزی در این پروژه هدفی دوگانه دارد: برای یادگیری ویژگی های بهتر از طریق بهبود SOM بر پایه الگوریتم ژنتیک و در یک گروه قرار دادن وکسل ها در خوشه های گوناگون SOM با طبق کلاس هایشان.

آموزش SOM با استفاده از یک فرآیند یادگیری رقابتی انجام شده است که در آن داشتن دانش قبلی مورد نیاز و ملاک نیست. از این رو، SOM اموزش دیده شده به منظور خوشه بندی نمونه های داده ای از خمینه (Manifold) داده های ورودی مورد استفاده است و الگوریتم خوشه بندی SOM به گروه گروه کردن واحدهای کوچکتر با محاسبه آنتروپی مربوط به هر نمونه SOM می پردازد. به طور همزمان، فرآیند خوشه بندی که از اطلاعات مرتبط استفاده می کند، فقط از فضای خروجی آن ها استفاده نمی کند بلکه به عنوان یک فضای ورودی آن استفاده می شود.

روش پیشنهاد شده دارای پنج مرحله است شامل تصویر ورودی یا بخش پیش پردازش، استخراج ویژگی، انتخاب ویژگی با استفاده از روش های محاسبات تکاملی، طبقه بندی وکسل ها با استفاده از شبکه عصبی خودسازمانده و خوشه بندی نگاشت های تیز در تصویر یا برچسب گذاری با SOM . بخش پیش پردازش یا تصویر ورودی به سیستم، دارای مراحلی می باشد. حذف نویز پشت زمینه به منظور فرکانس های رادیویی در زمان تصویربرداری به منظور بهبود در شناسایی و در زمان طبقه بندی که برای این منظور از یک ماسک دودویی استفاده شده است.

در مرحله استخراج ویژگی، چندین ویژگی قابل توجه از تصویر MR به منظور قرارگیری در طبقه بندی استخراج می شود. تصویر به صورت قطعه قطعه (Slice by Slice) پردازش می شود. استخراج ویژگی با استفاده از یک وکسل که با هم تداخل دارند و روی هر قطعه پنجره (قاب) مشخص است، انجام می شود. اندازه این پنجره یا قاب در مرحله پیش پردازش تعیین می شود. در این پروژه ویژگی های آماری مرتبه یک و دو مورد استفاده واقع شده اند. ویژگی های مرتبه اول استخراج شده از تصویر، شدت (منظور شدت نور و روشنایی)، میانگین و واریانس می باشد. شدت اشاره به سطح خاکستری از وکسل پنجره یا قابل مرکز تصویر را دارد. میانگین و واریانس با توجه به توزیع سطح خاکستری پنجره محاسبه می شود.

ویژگی های آماری مرتبه دو مثل ویژگی های بافت نیز مورد استفاده واقع می گردد که شامل انرژی (انرژی رنگی و پخش رنگ روی تصویر)، آنتروپی، کنتراست، ASM یا حالات ثانویه زاویه ای، میانگین مجموع، همبستگی، حداکثر احتمال، برجسته سازی خوشه ها، عدم تشابه، تطبیق خوشه ها، و واریانس مرتبه دوم می باشد.

پس از استخراج ویژگی، تصویر اصلی به مجموعه از بردار ویژگی ها تبدیل می شود. در این پروژه به منظور کاهش ابعاد ویژگی ها از الگوریتم ژنتیک استفاده شده که توانایی شناسایی راه حل های بهینه در فضاهای جستجوی بسیار پیچیده را داراست، البته شایان ذکر است که زمان همگرایی آن به منظور یافتن راه حلی بهینه با استفاده از یک جستجی تصادفی، کمتر است.

انتخاب ویژگی با استفاده از شبکه عصبی SOM و الگوریتم ژنتیک بدین صورت است: تولید جمعیت اولیه که ویژگی ها را مشخص خواهد کرد، ارزیابی مقادیر هدف، آموزش با SOM، محاسبه کیفیت آموزش با SOM که خطاهای توپولوژیک و کوانتیزاسیون را نشان می دهد، محاسبه مقدار فیتنس، حال قرارگیری در حلقه الگوریتم ژنتیک بدین صورت که انتخاب بهترین بخش مستقل که توسط عملگرهای تکاملی (ژنتیک) استفاده می شود، تایید عملگرهای تکاملی به منظور تولید جمعیت جدید (نسل جدید) که این کار با عملگر تقاطع و جهش انجام می شود، ارزیابی یک مقدار جدید از فیتنس، آموزش شبکه عصبی SOM در درون حلقه های الگوریتم ژنتیک، محاسبه کیفیت آموزش با SOM به منظور خطاهای توپولوژیک و کوانتیزاسیون، محاسبه مقدار فیتنس، جایگزینی بدترین مستقل ها در جمعیت توسط بهترین مستقل ها، سپس پایان چرخه ژنتیک خواهد بود.

عكس خروجی برنامه

عکس 1
عکس 2
عکس 3
عکس 4

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.