دانلود شبیه سازی مقاله تقسیم بندی خودکار تومور مغزی با استفاده از مدل تصادفی پنهان مارکوف

تشخیص تومور مغزی با مدل پنهان مارکوف

امروزه استفاده از تصاویر MRI برای تشخیص و درمان بیماری ها بسیار مورد توجه قرار گرفته است. یکی از کاربردهای تصاویر MRI در تشخیص تومور مغزی است که به پزشکان این امکان را می دهد از محل قرار گیری تومور و ویژگی های آن اطلاعات مفیدی داشته باشند.

الگوریتم های متعددی برای تقسیم بندی تومور مغزی پیشنهاد شده است، اما اکثر آنها نیاز به تفکیک ایزوتروپیک و یا پراکنده ای ازتروپیک تصویر MR دارند. اگرچه قبل و بعد از تقسیم بندی، تبدیل و اینترپولاسیون توالی های با وضوح پایین مانند تصاویر T2 وزن دار به فضای تصویر با وضوح بالا مانند تصویر T1 می تواند انجام شود، نتایج معمولا به دلیل اثرات ناشی از interpolation تصاویر با وضوح پایین مطلوب نمی شوند.

برای بهبود کیفیت تقسیم بندی تومور در برنامه های کاربردی بالینی که در آن توالی های با وضوح پایین معمولا با تصاویر با وضوح بالا مورد استفاده قرار می گیرند، در این مقاله  استفاده از روش تصادفی پنهان مارکوف و حداکثر سازی انتظار (SHE) برای هر دو توزیع خودکار پشنهاد شده است. SHE دقت بینابینی فضایی تصاویر با وضوح تصویر را به روش بهینه سازی میدان تصادفی پنهان مارکوف (HMRF) برای توزیع تومور با استفاده از تصاویر MR با کیفیت های مختلف، شامل T2 وزن دار با رزولوشن بالا  T1 با وضوح بالا و با وضوح کم تصاویر، انجام می دهد. نتایج حاصل از شبیه سازی ها در نرم افزار متلب نشان می دهد که نتایج تقسیم بندی تومور با روش پیشنهادی می تواند عملکرد بهتری نسبت به الگوریتم های تقسیم بندی چند کاناله معمولی داشته باشد.

روش پیشنهادی در این مقاله بر روی دیتابیس BRAINIX اعمال شده است. این بانک شامل 62 تصویر MRI می باشد که از این بین 31 دارای تومور مغزی و 31 تصویر بدون تومور است و کار یادگیری بصورت شبکه عصبی بطور تصادفی است و تصاویر به صورت تصادفی انتخاب می شوند.

در شکل زیر الگوریتم روش پیشنهادی نشان داده شده است.

الگوریتم مارکوف

همچنین بخشی از نتایج شبیه سازی ها در ادامه نشان داده شده است.

تومور مغزی