یک روش مبتنی بر یادگیری چنددقتی برای تطبیق تصاویر پزشکی چندکیفیتی
محورهای موضوعی : مهندسی برق و کامپیوترسیدهسمیه آل حجت خسمخی 1 * , محمدرضا کیوان‌پور 2
1 - دانشگاه آزاد اسلامی، واحد قزوین
2 - دانشگاه الزهرا
کلید واژه: تطبيق تصوير تطبیق تصویر چندکیفیتی تصویربرداری پزشکی درخت دوتایی تبدیل موجک مختلط,
چکیده مقاله :
هدف اصلی در روش‌های مختلف تطبیق تصویر، پیداکردن پارامترهای تبدیل برای نگاشت دقیق یک تصویر بر روی مختصات تصویر دیگر است. در پزشکی، برقراری ارتباط دقیق میان داده‌های تصاویر پزشکی درکاربردهایی نظیر تشخیص و درمان از اهمیت بسیاری برخوردار است و بر این اساس، روش‌های متعددی براي تطبیق تصاویر ارائه شده است. مقایسه نتایج الگوریتم‌های مختلف، انگیزه اصلی این پژوهش گردیده تا بتوان الگوریتم جدید ترکیبی ارائه و پیاده‌سازی نمود که از دقت بالایی برای تطبیق تصاویر چندکیفیتی برخوردار باشد. خودکارسازی فرایند تطبیق با بهره‌گیری از رویکرد یادگیری ماشین، نوآوری مقاله حاضر نسبت به روش‌های پیشین به شمار می‌رود. به این منظور، روش پیشنهادی به نام یادگیری چنددقتی از ترکیب یک روش تجزیه چنددقتی و یک شبکه عصبی سلسله مراتبی بهره می‌گیرد که با استفاده از ویژگی‌های سراسری تصویر، پارامترهای تبدیل را یاد گرفته و از پارامترهایِ تبدیلِ به دست آمده از فرایند یادگیری ، برای تطبیق تصاویر استفاده می‌کند. روش پیشنهادی بر روی پایگاه داده تصاویر پزشکی دانشگاه واندربیلت پیاده‌سازی و آزمون شده و نتایج به دست آمده دقت قابل قبولی را برای روش پیشنهادی در مقایسه با سایر روش‌ها نشان می‌دهد.
The main purpose in various methods of image registration is to find the transformation parameters for accurate mapping an image onto another image coordinates. In medical sciences creating a precise mapping between medical images data is very important in application such as diagnosis and treatment. Accordingly, several approaches have been proposed for image registration. The compression of results and performance between different image registration algorithms was the main motivation for this research to design and implement a new hybrid algorithm so that provide high accuracy in multimodal image registration. Automating the image registration process by using machine learning approach is the innovation of this method compared to previous ones. To this end, the proposed method which is named multi resolution learning is composed of multi resolution decomposition and a hierarchical neural network which it learn the transformation parameters by using global properties of the image and uses learned transformation parameter for image registration. The proposed method is implemented and tested on the medical images of Vanderbilt university database. Experiment result show acceptable accuracy for the proposed method compared with other methods.