در حاشیه‌نویسی تصاویر پزشکی معمولاً تولید چهار بخش اطلاعاتی در مورد تصاویر لازم است. این بخش‌ها، شامل اطلاعاتی درباره تکنیک تهیه تصویر، اندام، جهت عکس‌برداری و سیستم بیولوژیکی است.
حاشیه‌نویسی خودکار تصاویر با استفاده از سیستم یادگیری ماشین برای دسته بندی تصاویر به رده‌های مختلف انجام می‌شود، به طوریکه هر کلمه معرف یک دسته است. ورودی سیستم یادگیری ماشین ویژگی‌های مستخرج از تصویر است. در حاشیه‌نویسی تصاویر پزشکی اگر تنها از یک دسته بندی کننده برای تولید هر چهار بخش اطلاعاتی تصویر استفاده شود، برای رسیدن به کارایی مناسب باید از تعداد بیشتری ویژگی مستخرج از تصویر استفاده کرد. این موضوع منجر به بالا رفتن طول بردار ورودی دسته بندی کننده می‌شود.
استخراج ویژگی‌ها از طریق استفاده از دسته بندی و شبکه عصبی انجام‌شده است. به‌منظور تولید سیستم بهینه برای هر بخش ابتدا ویژگی‌های مناسب هر بخش انتخاب‌شده است. این انتخاب بر اساس تأثیر ویژگی یا مجموعه ویژگی‌ها در تشخیص بخش مربوطه با استفاده از دسته بندی کننده‌هایی مانند دسته بندی سلسله مراتبی انجام می‌شود.
در دنیای امروز با توسعه و گسترش سریع تصویرسازی دیجیتال و در دسترس بودن ابزار آن از جمله دوربین‌های دیجیتال، با حجم بالایی از اطلاعات در قالب تصویر مواجه هستیم. از طرفی به اشتراک گذاشتن تصویر در اینترنت امروزه بسیار رایج است. به طوریکه تعداد تصاویر موجود در آرشیو وب سایت ها در سال 2007، برابر با 250 میلیون تصویر بوده که بین پنج میلیون کاربر به اشتراک گذاشته شده است. مدیریت وبازیابی کارا و مؤثر این تصاویر به ویژه توسط ماشین‌ها یکی از چالش‌های موجود در این زمینه است. دو روش اصلی در بازیابی تصاویر وجود دارد. این روش‌ها عبارت‌اند از: بازیابی تصاویر بر اساس محتوا[1] و بازیابی تصاویر براساس مفهوم[2]. در روش بازیابی براساس محتوا ورودی سیستم یعنی درخواست مورد بازیابی، می‌تواند تصویر نمونه یا ویژگی‌های بیان کننده ی محتوای تصویر (ویژگی‌های سطح پایین ۳) باشد، درحالی که خروجی سیستم شامل تصاویر شبیه به تصویر ورودی یا حاوی ویژگی‌های مذکور است [1]. ویژگی‌های سطح پایین تصاویر ویژگی‌هایی مانند رنگ، بافت، شکل و غیره است که با استفاده از تکنیک‌های پردازش تصویر قابل استخراج است. این نوع درخواست در بیشتر موارد مشکل و پیچیده است زیرا در بسیاری مواقع آن چه کاربر جست وجو می‌کند با تصویر نمونه یا ویژگی‌های سطح پایین آن قابل توصیف نیست. این موضوع یکی از نقاط ضعف این روش‌ها محسوب می‌شود.
فصل 1- کلیات تحقیق
1-1- مقدمه
1-2- بیان مسئله
1-3- انگیزه تحقیق
1-4- مؤلفه‌های تولید سیستم حاشیه نویسی خودکار
1-5- اهداف و فرضیات
1-6- ساختار سمینار
1-7- مقدمه
1-8- معرفی روشهای حاشیه نویسی تصاویر
1-9- پیشینه تحقیق
1-10- خلاصه
1-11- مقدمه
مجموعه آموزش
استخراج ویژگی‌ها
بررسی تعدادی از الگوریتم های یادگیری ماشین
درخت‌های خوشه بندی پیش بینی (PCT
s)
معیارهای کارایی سیستم
خلاصه
1-12- نتیجه گیری
1-13- پیشنهادها
شکل 3-1: دسته مرتبط به هر تصویر در مجموعه‌های سال‌های 2005 و 2006 و کد
آن در سال 2007
شکل 3-2: کد مورد استفاده در حاشیه‌نویسی تصاویر پزشکی شامل 13 کاراکتر در 4 بخش
شکل 3-3: تصویر نمونه و کد IRMA متناظر همراه با معنی هر کاراکتر در کد
شکل 3-4: مراحل استخراج ویژگی از تصویر
شکل 3-5: همسایگی‌های
متقارن
به
ازای
مقادیر
مختلف
و
در استفاده از عملگر
شکل 3-6: مراحل محاسبه
در همسایگی نقاط
شکل 3-7: مرکز جرم ناحیه (نقطه قرمز)
شکل 3-8: طول مختصات اصلی و ثانوی یک ناحیه
شکل 3-9: زاویه نشان‌دهنده جهت ناحیه
شکل 3-10: چندضلعی محدب دربرگیرنده ناحیه
شکل 3-11: (الف): شکل اصلی ناحیه، (ب): سوراخ‌های ناحیه پرشده
مقیاس
تصویر اصلی
تفاضل گاوسین
تصاویر هموار با استفاده از فیلتر گاوسی
شکل 3-12: تصاویر هموار شده در مقیاس‌های مختلف و محاسبه تفاضل گاوسین تصاویر
شکل 3-13: (الف): ضریب زاویه‌ای همسایگی‌های یک نقطه، (ب): برآیند آن‌ها در 8 جهت
شکل 3-14: جهت‌های مختلف و فاصله 4 بین دو نقطه
شکل 3-15: نگاشت نمونه‌ها به فضایی با ابعاد بالاتر در فرآیند تولید مدل در روش
شکل 3-16: مرزهای جداکننده دو کلاس با حاشیه‌های مختلف
شکل 3-17: تصویر
کردن
داده‌ها
به
یک
فضای
ویژگی
با
ابعاد بالاتر
جدول 3-1: توابع کرنل معروف
شکل 3-18: دسته بندی کننده
سه کلاسی، (الف): یکی در مقابل همه، (ب): یکی در مقابل دیگری
شکل 3-19: نمونه‌ای از شبکه عصبی با یک لایه مخفی
شکل 3-20: درخت تصمیم‌گیری
جدول 3-2: معدل خطای حالت‌های مختلف پیش‌بینی بخش آناتومی کد با مقدار صحیح 463
1-1-1- روش دستی
1-1-2- روشهای خودکار/نیمه خودکار
1-1-3- روشهای حاشیه نویسی خودکار مبتنی بر متن
1-1-4- روشهای مبتنی بر آنتولوژی
1-1-5- روشهای مبتنی بر زمینه
1-1-6- روشهای حاشیه نویسی خودکار مبتنی بر تصویر
مجموعه
تعریف حاشیه‌های هر تصویر بر اساس کد
ویژگی‌های قابل استخراج از تصاویر
پیش‌پردازش تصاویر
فیلتر تقویت
روش ایجاد هیستوگرام بافت الگوی باینری محلی
استخراج ویژگی با استفاده از روشهای مبتنی بر شکل
تشخیص ویژگی‌های
تشخیص ویژگی‌های
استخراج ویژگی با استفاده از ماتریس وقوع
استخراج ویژگی با استفاده از فیلتر گابور
ماشین‌های بردار پشتیبان (
شبکه‌های عصبی مصنوعی
1-1-7- وظیفه‌ی طبقه‌بندی چندبرچسبی (MLC)
نزدیک‌ترین
همسایه
تکنیک‌های یادگیری ترکیبی
دقت
معدل خطا در سیستم حاشیه نویسی خودکار پزشکی
شامل 83 صفحه فایل word
دانلود پایان نامه بررسی کاربرد انواع دسته بندی ها در حاشیه نویسی خودکار تصاویر پزشکی
