در بخش­بندی تصاویر پزشکی، طبقه­بندی پیکسل بیشتر هنگامی بهره گیری می­گردد که تصاویر متعدد از یک موضع یکسان در دسترس هستند. هر همسایگی با چندین ویژگی تکمیلی توصیف می­گردد. تصویر به ناحیه یا کلاس­هایی تقسیم می­گردد که حاوی پیکسل­هایی می باشد که ارزش­های عددی نزدیکی دارند. ویژگی­ها معمولاً ارزش­های عددی سطوح خاکستری بوده و بخش­بندی اغلب با بهره گیری از تکنیک­های استاندارد که   GMM[36] و خوشه­بندی[1] هستند انجام می­گردد. در طی پردازش بخش­بندی، روش­ها فرض­هایی در ارتباط با موقعیت حفره، بمنظور جبران فقدان اطلاعات فضایی بهره گیری می­کنند. همچون روش­های مبتنی بر تصویر، هر دو سطح کانتور بطور جداگانه پردازش می­شوند.

 

اصول GMM، منطبق کردن هیستوگرام تصویر با ترکیبی از گوسین­ها با بهره گیری از الگوریتم EM می­باشد [37]. تعداد گوسین­ها که با تعداد حالات هسیتوگرام منطبق می باشد، بایستی در آغاز متناسب گردد. معمولاً بین 2 تا 5 حالات متناسب انتخاب می­شوند. اثر نسبی حجم می­تواند مسئول افزایش گوسین­ها و معرف حجم نسبی بین میوکاردیوم و خون، میوکاردیوم و هوا باشد. الگوریم EM با بهره گیری از گام اولیه مکان­یابی قلب با بهره گیری از اطلس آغاز می­گردد. نتایج بخش­بندی EM می­تواند در ماتریس پویا قرار گیرد [38]. رویکرد خوشه­بندی شامل جمع آوری اطلاعات در خوشه­ها در یک موضع می باشد. خوشه­بندی می­تواند با الگوریتم میانگین k-mean)- (k انجام گردد. پس از بدست آوردن ناحیه­های خوشه­ای جداگانه، حفره بطن چپ یا محاسبه فاصله حلقه محاسبه می­گردد [39].

[1] -Clustering

 متن فوق بخش هایی از این پایان نامه بود

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد

این مطلب رو هم توصیه می کنم بخونین:   تشخیص خطای حلقه به حلقه سیم پیچی استاتور موتورهای القایی سه فاز قفس سنجابی با در نظر گرفتن اثر اشباع مغناطیسی-پایان نامه برق
دسته‌ها: دسته‌بندی نشده