با استفاده ‏از معیار نزدیکی پیکسل ها به هم ( همسایگی آنها ) و همچنین میزان شباهت ویژگی ها به هم ( میزان شباهت کنتراست ) می باشیم ، به این منظور دو ضریب l‏ و ‏ در تابع هزینه مربوطه به FCM‏ تعریف کرده و با استفاده از الگوریتم ژنتیک سعی در پیدا کردن مقدار بهینه آنها خواهیم بود .</p>

<p>‏مقدمه :</p>

<p>‏امروزه یکی از کاربردهای پردازش تصاویر در مهندسی پزشکی ، تحلیل ‏تصاویر پزشکی توسط کامپیوتر و تشخیص بیماری یا ‏س‏لامت به طور هوشمند توسط کامپیوتر می باشد ، به منظور تحلیل هر چه بهتر این تصاویر نیاز به ناحیه بندی در تصاویر داریم و در واقع با ناحیه بندی تصاویر کار سیستم هوشمند ‏را دقیق تر می کنیم و مشخص می کنیم که در هر ناحیه باید به دنبال چه چیزی باشد ، اما ناحیه بندی تصویر با توجه به طبیعت تصاویر پزشکی و اثرات نویز کاری دشوار می باشد .</p>

<p>‏2</p>

<p>‏تصویر برداری MRZ ‏ یکی از راههای تشخیص موارد معیوب و یا دچار ‏مشکل در اندامهای مختلف است و در واقع MRZ‏ تصاویر با رزولوشن بالا از اندامهای مختلف در اختیار ما می گذارد و به علت استفاده فراوان از ای‏ن روش در تصویر برداری های پزشکی،‏ امروزه تلاش زیادی در بهبود این تصاویر و به خصوص ناحیه بندی آنها انجام می شود.</p>

<p>‏روشهای مختلفی به منظور ناحیه بندی این تصاویر پیشنهاد شده اند مانند روشهای آستانه گذاری، توسعه یک ناحیه و روشهای کلاسترینگ روشهای آس‏تانه گذاری به علت ساختار پیچیدۀ مغز بسیار پیچیده بوده و روشهای توسعه یک ناحیه هم دارای محدودیت های خاص خود می باشد. روشی که برای ناحیه بندی بسیار استفاده می شود روشهای کلاسترینگ مبتنی بر FMC‏ می باشند.</p>

<p>‏مطالعات و شبیه سازیها نشان داده است که روش FCM‏ در مورد تصاویر مغز نرمال عملکرد خوبی از خود نشان می دهد ولی در مورد مغزهای معیوب و دارای تومور عملکرد خوبی ندارد در واقع بزرگترین مشکل هم FCM‏ حساسیت بسیار بالای آن نسبت به نویز می باشد و از آنجا که تصاویر پزشکی همواره همراه با نویز هستند میزان صعت عملکرد FCM‏ کاهش می یابد.</p>

</p>

<p>&nbsp;</p>

<p>&nbsp;</p>

<hr />

<p>&nbsp;</p>

<p><strong>تصاویری از چند صفحه نخست فایل :</strong></p>

<p>&nbsp;</p>

<div style="white-space: nowrap;" >

<img style="width: 300px; height: 300px;" src="http://filearman.ir/imgs/4kia/3789762486-img1.jpg" alt="" />

</div>

<p style="text-align: center;"><span style="color: #ff0000;">توجه فرمایید بدلیل تهیه ی تصویر با نرم افزار های خارجی متن نمایش داده شده در تصاویر ممکن است دارای اشکالاتی در نمایش برخی حروف باشد که در فایل اصلی بدون مشکل است</span></p>خریدار گرامی شما میتوانید فایل (تصاویر در مهندسی پزشکی) را ویرایش کنید.

تصاویر در مهندسی پزشکی - word (..doc) - دانلود,مقاله,تصاویر,در,مهندسی,پزشکی,دانلود

قسمتی از متن :

‏2

‏خلاصه :

‏ناحیه بندی تصویر در مورد تصاویر تشدید مغناطیسی (MRI‏ ) کمک بسیاری در تحلیل این تصاویر به پزشکان می کند ، ولی متاسفانه تصاویر MRI‏ همواره همراه با نویز شدید ناشی از عملکرد اپراتور ، عملکرد دستگاه و یا نویز محیطی می باشند که باعث کاهش دقت در ناحیه بندی می شود .

‏یکی از روشهایی که در مورد ناحیه بندی بسیار استفاده می شود روش ‏ fuzzy c-means ‏ (fcm‏ ) است که‏ ‏نسبت به نویز پایداری از خود نشان نمی دهد ، در این مقاله سعی در بهبود عملکرد