LV
۳D ASM
Van Assen et al 2006
فصل سوم
روش ارائه شده برای بخشبندی بطن راست و چپ از
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
تصاویر MRI قلبی
۳-۱- مقدمه
طرح ارائه شده در این مطالعه بر اساس ترکیب روشهای ﺑﻬﻴﻨﻪﺳﺎزی دﺳﺘﻪ ذرات[۳۸] (pso) و پیمایشگر تصادفی[۳۹] بهبود یافته میباشد که برای بخشبندی خودکار و همزمان بطنهای راست و چپ از تصاویر قلبیMRI ارائه شده است.
در این روش ما ابتدا به وسیله روش PSO تصویر را بخشبندی میکنیم و سپس با اعمال عملیات ساختاری بخش بندیPSO را ارتقا خواهیم داد. از ساختارهای عملیاتی برای حذف اجزای کوچک از تصویر و برای از بین بردن مشکل عضله پاپیلاری در بخشبندی بطن چپ استفاده می شود.
در بخشبندی بطن چپ یکی از مشکلاتی که با ان مواجه هستیم حضور عضلات پاپیلاری در آن میباشد که دارای تباین متفاوتی با بطن میباشد در حالی که در بخشبندی بطن چپ نباید این نواحی به عنوان نواحی مجزا از بطن تقسیم بندی شوند. روشی که برای حل این مشکل در این تحقیق ارائه شده است استفاده از ساختارهای عملیاتی میباشد. همچنین با بهره گرفتن از ساختارهای عملیاتی اجزای کوچک از تصویر حذف خواهند شد.
از تصویر خروجی این مرحله هم برای خودکار کردن روش نیمه خودکار پیمایشگر تصادفی و انتخاب نقاط برچسب دار استفاده میکنیم و هم از طریق تصویر بخشبندی شده در این مرحله بطن راست و چپ را در تصویر اصلی بخشبندی کرده و آن را به عنوان تصویر ورودی الگوریتم پیمایشگر تصادفی استفاده میکنیم، که باعث افزایش دقت و سرعت روش پیمایشگر تصادفی بهبود یافته می شود. نهایتا روش پیمایشگر تصادفی بهبود یافتهای که در این مطالعه ارائه شده است بخشبندی نهایی و همزمان بطن راست و چپ قلب را انجام میدهد. روند روش ارائه شده در شکل ۱ نشان داده شده است.در ادامه، ابتدا در بخش (۳-۲) روش pso را با جزئیات معرفی میکنیم ، عملیاتهای ساختاری استفاده شده در این مطالعه را در بخش (۳-۳) بررسی کرده و نهایتا در بخش (۳-۴) به بررسی الگوریتم پیمایش تصادفی و الگوریتم پیمایش تصادفی بهبود یافته توسط این تحقیق میپردازیم. ضمنا تصویر پردازش شده در هر مرحله آورده شده است.
PSO
تصویر اصلی
تصویر بخش بندی شده اولیه
عملیات ساختاری
حذف اجزای کوچک و پرکردن عضلات پاپیلاری
پیدا کردن بطن ها در تصویر اصلی پیدا کردن مرکز اجسام
تصویر ورودی پیمایش تصادفی
انتخاب نقاط برچسب دار
الگوریتم پیمایش تصادفی
بخش بندی بطن راست و چپ
شکل۳-۱. روند روش ارائه شده
۳-۲- روش PSO
PSOیک الگوریتم بهینه سازی مبتنی بر جمعیت است که از پرواز گروهی پرندگان و شنای گروهی ماهیها و زندگی اجتماعی آنها الهام گرفته است. این روش اولینبار توسط Kennedy و Eberhart در سال ۱۹۹۵ ارائه شد.
شکل۳-۲. روش PSO
گروهی از پرندگان در فضایی به صورت تصادفی دنبال غذا میگردند تنها یک تکه غذا در فضای مورد بحث وجود دارد. هیچ یک از پرندگان محل غذا را نمیدانند. یکی از بهترین استراتژیها می تواند دنبال کردن پرندهای باشد که کمترین فاصله را تا غذا داشته باشد، این استراتژی در واقع جانمایه الگوریتم است. هر راه حل که در الگوریتم PSO که به آن یک ذره گفته می شود معادل یک پرنده در الگوریتم حرکت جمعی پرندگان میباشد. هر ذره یک مقدار شایستگی دارد که توسط یک تابع شایستگی محاسبه می شود. هر چه ذره در فضای جستجو به هدف- غذا در مدل حرکت پرندگان- نزدیکتر باشد، شایستگی بیشتری دارد. همچنین هر ذره دارای یک سرعت است که هدایت حرکت ذره را بر عهده دارد. هر ذره با دنبال کردن ذرات بهینه در حالت فعلی به حرکت خود در فضای مسئله ادامه می دهند. PSO به این شکل است که گروهی از ذرات در آغاز کار به صورت تصادفی به وجود میآیند و با به روز کردن نسلها سعی در یافتن راه حل بهینه مینمایند. در هر گام هر ذره با بهره گرفتن از دو بهترین مقدار به روز می شود. اولین مورد، بهترین موقعیتی است که تاکنون ذره موفق به رسیدن به آن شده است. موقعیت مذکور شناخته و نگهداری می شود، دومین مورد بهترین موقعیتی است که تاکنون توسط جمعیت ذرات بدست آمده است .
جدول۳-۱. مراحل الگوریتم PSO
الگوریتمPSO
مقداردهی اولیه ( )
حلقه
برای همه ذرات
سازگاری هر جزء را ارزیابی کن
