نوع مدرک: | متون چاپی |
سرشناسه | سلمانی ، محمد جواد، نویسنده |
ردهبندی کنگره : | COM soft 71 |
عنوان : | ارائه یک سیستم بازیابی تصاویر مبتنی بر محتوا برای بیماری های ریوی با استفاده از ویژگیهای بافت و شبکههای عمیق |
عنوان موازی : | Presentation Of a Content-Based Image Retrieval System for Lung Diseases Using Texture Features and Deep Networks |
ناشر: | دانشگاه شهید اشرفی اصفهانی: اصفهان |
سال نشر : | 1401 |
صفحه شمار: | 77ص |
شابک/شاپا | 24907 |
یادداشت | کارشناسی ارشد: رشته مهندسی کامپیوتر گرایش نرم افزار |
شناسه افزوده : | اکبری ، مهدی، استاد راهنما |
توصیفگرها | بازیابی تصاویر پزشکی، شبکه کانولوشن پیش آموزش دیده، ویژگی بافت محلی Medical Image Retrieval, Pre-Trained Convolutional Network, Local Texture Feature. |
چکیده : | توسعه ابزارهای تصویر برداری نوین اگرچه امکان ذخیرهسازی تصاویر متنوع پزشکی را فراهم کرده، اما افزایش تعداد این قبیل داده، بازیابی و مدیریت آنها را چالش برانگیز کرده است. از آنجایی که تصاویر پزشکی در تشخیص زودرس اغلب بیماریها به شدت مورد استفاده و قابل استناد هستند؛ ارائه سیستمی هوشمند مبتنی بر یادگیری ماشین که بتواند این حجم از تصاویر را مدیریت کرده و تصاویری که دارای محتوای یکسان هستند را بازیابی نماید؛ میتواند به عنوان دستیار پزشک بسیار کارگشا باشد. در این راستا، محققان زیادی تاکنون برای ارائه یک سیستم بازیابی تصاویر پزشکی هوشمند تلاش کردهاند. روشهای موجود، هر یک دارای محدودیتهایی مثل عدم استخراج دانش کافی از تصاویر هستند که تاحدودی منجر به ناکارآمدی آنها شده است. از اینرو، در این تحقیق یک روش بازیابی تصاویر پزشکی کارآمد با استفاده از دو دسته ویژگی عمیق و ویژگی محلی ارائه شده است. در این روش با استفاده از شبکه کانولوشن پیش آموزش دیده ResNet101، ویژگیهای عمیق از تصاویر پزشکی استخراج شده است. همچنین سه نوع ویژگی بافت محلی شامل آنتروپی، الگوی باینری محلی و ماتریس همرخداد خاکستری از تصاویر استخرج شده است. سپس با استفاده از تکنیک انتخاب ویژگی Relieff زیر مجموعهای بهینه از ویژگیها انتخاب شده و بازیابی تصاویر مشابه با تصویر پرسوجو با استفاده از فاصله کسینوسی انجام شده است. نتایج ارزیابی روش پیشنهادی بر روی دو پایگاه داده تصاویر ریه حاکی از آن است که روش پیشنهاد شده در تعداد 20 تصویر پرسوجو توانسته است در پایگاه کووید19 به میانگین متوسط دقت (mAP) 92.42% و در پایگاه داده ذاتالریه به 98.01% دست یابد، که نشان میدهد در مقایسه با روش پیشین در بازیابی تصاویر ریه عملکرد بهتری داشته است |
لینک ثابت رکورد: | ../opac/index.php?lvl=record_display&id=13937 |
زبان مدرک : | فارسی |