انتخاب ویژگیهای مؤثر از تصاویر سونوگرافی به منظور تشخیص خودکار بیماری هپاتیت به وسیله روش‌های یادگیری ماشین   

انتخاب ویژگیهای مؤثر از تصاویر سونوگرافی به منظور تشخیص خودکار بیماری هپاتیت به وسیله روش‌های یادگیری ماشین


بیماری هیپاتیت و کبد چرب باعث اختلال در عملکرد و همچنین باعث التهاب بافت آن می‌شود. با وجود عوارض و افزایش بیماران کبدی و کمبود پزشک متخصص وجود راه‌حلی که بتواند به تشخیص زود هنگام بیماری کبد بپردازد، نیاز است. در این پایان‌نامه، یک رویکرد انتخاب ویژگی‌های مؤثر از تصاویر سونوگرافی به منظور تشخیص خودکار بیماری هپاتیت به وسیله روش‌های یادگیری ماشین ارائه شد، بدین صورت که پردازش اولیه تصویر با فیلتر میانه و پایین گذر گوسین انجام شد سپس يافتن منطقه مورد نظر و محدوده کبد چرب از ضریب باچاریا استفاده شد. در ادامه نقاط شروع (دانه‌ای) رشد ناحیه‌ای به صورت اتوماتیک انتخاب شدند و برازنده‌ترین پیکسل‌ها به عنوان کبد چرب (نقاط شروع) شناسایی شد. با توجه به اینکه این تحقیق دنبال چربی کبد در تصاویر می باشد. تعریف ویژگی‌های بافتی مانند میانه، انحراف معیار و واریانس و آنتروپی به صورت همزمان بکار گرفته شدند و در نهایت در این روش برای تشخیص بیماری کبد چرب با بکارگیری شبکه عصبی احتمالی، برای افزایش دقت و حساسیت تشخیص بیماری کبد چرب و هپاتیت استفاده شده است و در این تحقیق از تصاویر سونوگرافی کبد چرب بیمارستان بوعلی و نرم‌افزار متلب استفاده شده است. از این مجموعه هم به عنوان مجموعه آزمایش و هم آموزش در شبکه‌های عصبی استفاده شد. در ابتدا، تکنیک‌های پیش‌پردازش موجود از قبیل فیلتر میانه را بر روی تصاویر اعمال کرده‌ایم. در ادامه برای بهبود دقت تشخیص بیماری رشد ناحیه، ویژگی‌های استخراج شده بر اساس شبکه عصبی مورد آزمایش قرار گرفته شده‌اند. نتایج حاصل از آزمایشات نشان داد که روش پیشنهادی از لحاظ معیار دقت 7/96 درصد و زمان تشخیص 2/4 ثانیه داشته است.

فهرست مطالب
عنوان صفحه
فصل اول: کلیات تحقیق 1
1-1- مقدمه 1
1-2- بیان مساله 1
1-3- اهمیت و ضرورت تحقیق 3
1-4- اهداف تحقیق 3
1-5- فرضیه‌های تحقیق 3
1-6- نوآوری تحقیق 4
1-7-تعریف واژه‌ها 4
1-8- ساختار پایان نامه 5
فصل دوم: مباحث نظری و پیشینه تحقیق 1
2-1- مقدمه 7
2-2- پردازش تصاویر سونوگرافی 7
2-2-1- بهبود تصاویر با هیستوگرام به روش وفقی 7
2-2-2-کاهش نویز 8
2-2-2-1- فیلتر میانه 9
2-2-3- نویز نقطه‌ای 9
2-2-4- فیلتر پایین گذر گوسین 11
2-2-5- روش K-Means 12
2-2-6- روش Fuzzy C-means 12
2-2-6-1- الگوریتم SKFCM 15
2-3- روش‌های استخراج ویژگی 15
2-4- مروری برکارهای انجام شده 16
2-4-1- روش‌های سطح پایین 18
2-4-2-تکنیک‌های مبتنی بر لبه 18
2-4-3- تکنیک‌های مبتنی بر ناحیه 19
2-4-4- رشد ناحیه 20
2-4-4-1- هیستوگرام تصاویر 21
2-4-5- الگوریتم خوشه‌بندی c میانگین با استفاده از یادگیری وزن ویژگی‌ها 22
2-4-6- الگوریتم c میانگین‌گیر فازی اصلاح‌شده با اطلاعات قرینه 22
2-4-7- الگوریتم خوشه‌بندی c میانگین با استفاده از نمونه‌های برچسب‌گذاری شده 23
2-4-8- سایر روش‌ها 23
2-5- مقایسه روش‌ها 26
2-6- خلاصه فصل 28
فصل سوم: روش پیشنهادی 28
3-1- مقدمه 29
3-2- روش تحقیق 29
3-3- جزئیات روش پیشنهادی 29
3-3-1- مجموعه دادگان 31
3-3-2- پیش پردازش 32
3-3-3- یافتن ناحیه کبد چرب 33
3-3-4- قطعه بندی تصویر 35
3-3-5- استخراج ویژگی 38
3-3-6- طبقه بندی 40
3-4- خلاصه فصل 41
فصل چهارم: تجزیه و تحلیل داده 29
4-1- مقدمه 43
4-2- معرفی مجموع داده 43
4-3- معیارها و پارامترهای ارزیابی 44
4-4- مقایسه نتایج 45
4-4-1- مقایسه دقت 45
4-4-2- مقایسه میانگین نمره-F 46
4-4-3- مقایسه معیار precision 47
4-4-4- مقایسه معیار Recall 48
4-4-5- منحنی roc 50
4-5- خلاصه فصل 50
فصل پنجم: نتیجه‌گیری و پیشنهادات 43
5-1- مقدمه 52
5-2- محدودیت‌های تحقیق 52
5-3- دستاوردهای تحقیق 52
5-4- پیشنهادات و کارهای آینده 53
منابع 54


فهرست جدول ها
عنوان صفحه
جدول 2-1- مزایا و معایب روش‌های بیان شده 26
جدول 4-1- مقایسه نتایج چند روش برای تشخیص بیماری کبد چرب 49


فهرست شکل ها
عنوان صفحه
شکل 2-1- تصاویر التراسوند و کبد چرب موجود در آن 7
شکل 2-2- بهبود تصاویر با روش متعادل‌سازی هیستوگرام (الف) تصویر اولیه (ب) تصویر پس از اعمال الگوریتم 8
شکل 2-3- دیاگرام الگوریتم ارائه شده ]5[. 10
شکل 2-4- مجموعه داده پروانه‌ای 13
شکل 2-5- شبه کد الگوریتم FCM 13
شکل 2-6- الف) قطعه بندی fuzzy c-means بدون یک محدودیت مکانی. ب) با یک محدودیت مکانی برای حفظ پیوستگی‌های تکه‌ای (پیکان‌ها) ]15[ 14
شکل 2-7- مثالی از مراحل قطعه‌بندی تصویر با روش خوش‌بندی ]12[ 15
شکل 2-8- دسته بندی روش‌های قطعه بندی تصاویر 17
شکل 2-9- الف) تصویر اصلی و ب) خروجی روش رشد ناحیه‌ای ]20[. 20
شکل 2-10- هیستوگرام‌های حاصل جهت پیدا کردن کبد چرب 21
شکل 3-1- مراحل روش پیشنهادی 29
شکل 3-2- تصاویر با ابعاد مختلف 30
شکل 3-3- مراحل الگوريتم پيشنهادي 31
شکل 3-4- خواندن تصویر 32
شکل 3-5- پیشپردازش تصویر 33
شکل 3-6- شناسایی ناحیه تغییر (D) در تصویر آزمایشی (I) از روی تصویر مرجع (R) 34
شکل 3-7- نمودار تابع انرژی 34
شکل 3-8- یافتن منطقه مورد نظر تصویر 35
شکل 3-9- اعمال قطعه بندی در الگوریتم پیشنهادی برای تشخیص کبد چرب 37
شکل 3-10- معماری شبکه عصبی پیشنهادی 40
شکل 3-11- آموزش شبکه 41
شکل 4-1- چند نمونه از مجموعه تصاویر 43
شکل 4-2- میزان دقت 46
شکل 4 -3- میانگین نمره-F 47
شکل 4-4- مقایسه معیار precision 48
شکل 4-5- مقایسه معیار Recall 49
شکل4-6- مقایسه روش‌ها 50

مژگان سرهندی :نویسنده
کامراد خوشحال :استاد راهنما
سودابه پور ذاکر عربانی :استاد مشاور
۱۳۹۹/۰۶/2 :تاریخ دفاع
۱۰۰ صفحه :تعداد صفحات
مهندسی کامپیوتر-نرم افزار :رشته
هپاتیت-بیماری هپاتیت و یادگیری ماشین-کبد چرب-تصاویر سونوگرافی-انتخاب ویژگی :کلمات کلیدی فارسی
feature selection-sonographic images-fatty liver-hepatitis and machine learning-hepatits :کلمات کلیدی انگلیسی
© Copyright 2021 - All Rights Reserved