ترجمه مقاله بررسی روش های قطعه بندی تصاویر ام آر آی مغز – سال 2010
مشخصات مقاله:
عنوان فارسی مقاله:
بررسی روش های قطعه بندی تصاویر ام آر آی مغز
عنوان انگلیسی مقاله:
Review of brain MRI image segmentation methods
کلمات کلیدی مقاله:
مغز، ام. آر. آی (MRI)، قطعه‌بندی
مناسب برای رشته های دانشگاهی زیر:
پزشکی و مهندسی پزشکی
مناسب برای گرایش های دانشگاهی زیر:
مهندسی پزشکی بالینی، مغز و اعصاب و تکنولوژی پرتوشناسی
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1.مقدمه
1.1 روش‌های تصویربرداری
1.2. تصویربرداری MR (ام آر آی)
2. بررسی متون
2.1.روش‌های نویززدایی موجود
2.1.1 انتشار غیرخطی ناهمسانگرد
2.1.2 روش میدان تصادفی مارکوف (MRF)
2.1.3 روش‌های مبتنی بر موجک
2.1.4 روش اصلاح تحلیلی
2.1.5 روش غیرمحلی (NL)
2.2 اصلاح ناهمگونی
2.2.1 روش‌های آینده‌نگر
2.2.2 روش‌های گذشته‌نگر
2.3 روش‌های قطعه‌بندی تصویر
2.3.1 FCM (C میانگین فازی)
2.3.2 بردار مخلوط گاوس
2.3.3 LVQ
2.3.4 SOM
2.3.5 آبریز
2.3.6 رشد ناحیه
2.3.7 مدل کنترل فعال
2.3.8 کنترل فعال دو ناحیه‌ای
2.3.9 کنترل فعال چند ناحیه‌ای
2.3.10 قطعه‌بندی مبتنی بر اطلس
2.3.11 مدل میدان تصادفی مارکوف
2.3.12 قطعه‌بندی مغز دچار انحرافات تشریحی (کالبد شناختی)
3.نتیجه‌گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
1 Introduction
The application of image processing techniques has rapidly increased in recent years. Nowadays, capturing and storing of medical images are done digitally (Chang and Teng 2007). However, the interpretation of details of medical images is still time-consuming. This matter is especially observed in regions with abnormal color and shape which should be identified by radiologists for future studies (Chang and Teng 2007). Image segmentation is a key task in many image processes and computer vision applications. The purpose of image segmentation is to partition image to different regions based on given criteria for future process (Chang and Teng 2007). Medical image segmentation is a key task in many medical applications such as surgical planning, post-surgical assessment, abnormality detection, and so on (Zhang et al. 2007). There are lots of methods for automatic and semi-automatic image segmentation, though, most of them fail because of unknown noise, poor image contrast, inhomogeneity and weak boundaries that are usual in medical images. Medical images mostly contain complicated structures and their precise segmentation is necessary for clinical diagnosis (Hall et al. 1992).
1.مقدمه
بکارگیری از روش‌های پردازش تصویر در سال‌های اخیر به سرعت افزایش یافته است. امروزه، ضبط و ذخیره‌سازی تصاویر پزشکی دیجیتالی انجام می‌شود (چانگ و تنگ، 2007). اما، تفسیر جزئیات تصاویر پزشکی همچنان زمان‌بر است. این موضوع به طور خاص در مناطق دارای رنگ و شکل عادی مشاهده می‌شود که متخصصان رادیولوژی باید در مطالعات آتی آن‌ها را شناسایی کنند (چانگ و تنگ 2007). قطعه‌بندی تصویر در بسیار از فرآیندهای تصویر و برنامه‌های کاربرد بصری کامپیوتر امر مهمی به حساب می‌آید. قطعه‌بندی تصویر بدین منظور انجام می‌شود که تصویر بر مبنای معیارهای داده شده مربوط به فرآیند آتی به مناطق مختلفی تقسیم شود.
قطعه‌بندی تصاویر پزشکی در بسیار از برنامه‌های کاربردی پزشکی نظیر برنامه‌ریزی جراحی، ارزیابی پس از جراحی، آشکارسازی ناهنجاری و . . . . امر مهمی به شمار می‌رود (ژانگ و همکارانش، 2007). ابزارهای زیادی برای قطعه‌بندی خودکار و نمیه خودکار تصاویر وجود دارد، ولی اکثر آن‌ها به دلیل نویز نامشخص، کنتراست (درجه خاکستری) ضعیف تصویر، ناهمگونی و کرانه‌های ضعیف معمول در تصاویر پزشکی ناکام می‌مانند. تصاویر پزشکی معمولاً ساختارهای پیچیده‌ای دارند و قطعه‌بندی دقیق آن‌ها در تشخیص بالینی امری ضروری میباشد (هال و همکارانش، 1992).
