مقدمه ای بر پردازش تصویر + کلیات موضوع و مباحث پیش رو

  مقدمه ای بر پردازش تصویر 

در میان پیشرفتهایی که در علوم و تکنولوژی بخاطر کارایی بالای محاسبات انجام شد،‌تصویربرداری پزشکی از همه برجسته‌تر است و علت آن جاذبه بالای آن برای نشان دادن ساختارهای درون بدن انسان است.

همچنین تصاویر پزشکی،‌ منادی خودکار شدن در تمرینات مراقبتهای سلامتی، تحقیقات پزشکی و آموزش است. تصویربرداری پزشکی فرصتهای بسیاری برای بهبود مراقبت سلامتی از طریق تکنولوژی و افزایش راههایی که می‌توان به طور غیرتهاجمی داخل بدن را دید، بررسی و تفسیر جهت مشخص شدن سلامتی و بیماری پیشنهاد می‌کند.

  • تصویربرداری سه‌بعدی:

پیشرفتهایی در وسایل تصویربرداری و طراحی کیفیت‌های جدید وابسته به کارایی بالای محاسبات برای بازسازی سریع و نمایش مجموعه‌ای از تصاویر با حجم بالا. تکنیکهای جدید پردازش تصاویر دیجیتال بخصوص سه بعدی کلیدهایی هستند برای مشاهده، زیر نفوذ در آوردن، آنالیز وجستجویی برای استخراج اطلاعات پزشکی از تصاویر.

  • پشتیبانی تشخیصی:

با وجود حجم بالای موقعیت‌بندی‌های بادقت و اطلاعات قابل اندازه‌گیری که برای تشخیص و درمان هر بیمار استفاده می‌شود، هنوز اطلاعات جمع‌آوری شده که در پایگاه داده تصویربرداری برای اهداف علمی و آموزشی منتظر استخراج شدن هستند، وجود دارد. هر چند تصاویر پزشکی، واقعی و برای هر بیمار مشخص‌اند ولی دارای کمبودهایی از قبیل عدم وجود خلاصه‌ای رسا و توضیحات بر پایه زبان هستند. در نتیجه اطلاعات آنها به آسانی تعریف نمی‌شود، تقسیم و در دسترسی همه مانند توضیحات سمبلیک که شرایط بیمار را مطرح می‌کند و همان CRP بود قرار نمی‌گیرد.

  • جامع بودن:

جمع بودن اطلاعات تصویربرداری با داده‌های CRP به گونه‌ای که ارتباطات استاندارد و تفسیر آنها آسان شود، می‌تواند به عنوان یک مسئله اطلاعاتی مرکزی در تصویربرداری مدنظر قرار گیرد. به علاوه با گسترش مولتی‌مدیا و سیستم‌های اصلیت مجازی که می‌توانند، صدا، لمس، و سایر سنسورهای اطلاعاتی را تصرف کنند. می‌توان ضرورت پیش‌بنی اطلاعات پزشکی مولتی‌مدیا برای مطالعه مسائل همزمان وجامع بودن منابع اطلاعاتی را حس کرد.

  • تبدیل تصاویر.

بخاطر سرعت بالا،‌ پهنای باند وسیع شبکه‌ها که به واقعیت نزدیک‌تر شده‌اند، انتقال چندوضعیتی تصاویر پزشکی، بین سیستم‌های تصویربرداری و مراکز مراقبت سلامتی به عنوان یک مسئله عادی به نظر می‌رسد. و اینها می‌توانند بطور عمیقی بر روی تمرینهایی که در مراقبت سلامتی انجام می‌گیرد، اثرگذار باشند. توانایی‌های رادیولوژی از راه دور برای نمایش فعل و انفعالی اندازه‌گیری‌هایی که انجام شده و آنرا در نقاط دوردست در اختیار همه قرار دادن بطوریکه بتوانند تصاویر پزشکی را برای مقایسه با سایر مراحل رادیولوژی از پایگاه داده مربوطه دریافت کنند جهت مطالعه با کیفیت و مقیاس وسیع جهت مشاهده تغییرات آناتومیکی که در طول بیماری ایجاد می‌شود:

  • تصویربرداری در زمان حقیقی:

تا همین اواحر،‌ طبیعت سه‌بعدی آناتومی انسان مشکل و یک عامل جلوگیری کننده گران جهت مدل کردن برروی کامپیوتر بود. پیشرفتهایی که در زمینه سخت‌افزار، گرافیک و شبیه‌سازی و روش‌های مدلسازی ایجاد شد نمایش و مدلسازی ۳ بعدی زمان حقیقی آناتومی را ممکن ساخت. نمایش‌های سه‌بعدی فعل و انفعالی آگاه و روشهای مشاهده بطور گسترده ای توزیع شده‌اند و ارزش خود را در رادیولوژی پیشرفته، تحقیقات و اهداف نمایش به اثبات رسانده‌اند.

نرم‌افزارهای شبیه‌سازی:

با وجود پیشروی‌های بسیار در آرشیو کردن تصاویر(PACS) مراکز کمی در حال حاضر وجود دارند که قابلیت پردازش‌های دیجیتالی مجتمع برای مطالعات تصویربرداری دارند، با وجود این تعداد آنها در حال افزایش و محیطهایی که بطور اختصاصی برای پردازشهای تصاویر پزشکی و آنالیز آنها وجود دارد، بسیار آگاهانه تر وبطور گسترده‌ای در دسترس قرار دارند.

میزان ابزارهای نرم‌افزاری برای آنالیز تصاویر نیز گسترش بیشتری یافته‌اند، همچنین تکنیک‌های پردازش و آنالیز و متدهایی برای ثبت تصاویر توسعه یافته‌اند. همچنین متدهایی پراتلاف برای فشرده‌سازی و بازکردن تصاویر که نقش مهمی در آسان کردن انتقال تصاویر دارند تولید شده‌ است.

  • کدبندی تصاویر:

از نقطه نظر اطلاعاتی کوششهای موازی در حال پیشروی در توسعه سیستم های CRP و زیربناهای اطلاعاتی برای آنها بسیار تعیین کننده است. فرهنگ لغات و زبانها برای توضیح دانسته‌ها و تمرینات پزشکی،‌سیستم‌های زبانی یکپارچه(UMLS) و استانداردهایی برای پزشکی و رادیولوژی می تواند به شرح محتویات تصاویر پزشکی بصورت یکپارچه‌تر و مطابق قرار داد بین‌المللی کمک ویژه‌ای بکند.

از نقطه نظر عملی، تحقیقات جاری در زمینه مدلسازی مفاهیم رادیولوژی بر پایه آنالیز زبانی که در شرح گزارشات تصاویر رادیولوژی بنا شده‌اند می‌باشد.

این بخش پیشرفتها و گسترشهایی که در پردازش تصاویر پزشکی انجام شده است را بیان می‌کند. با وجود اینکه پیشرفتها در زمینه Segmentation  اتوماتیک تصاویر خیلی کندتر از آنچه مدنظر ماست انجام می‌گیرد، پیشرفت در زمینه مشاهدات تعاملی و نرم‌افزارهای آنالیزی به علت اینکه ابزارهای مفیدی برای تحقیقات و عملیات رادیولوژی ایجاد می‌کنند، این کندی را خنثی کرده است. این همگرایی تکنولوژی، علوم و فاکتورهای اجتماعی این مسئله که تصاویر بطور افزاینده ای رشد یافته و اطلاعات پزشکی مهم می‌باشد را دوست داشتنی کرده است.

۲- پردازش دو بعدی تصاویر پزشکی(پیش‌پردازش)

سیستم‌های تصویربرداری پزشکی، هیچ‌گاه رادیولوژیستها را با ردیفی از اطلاعات تصاویر گیج نمی‌کنند در عوض یک سری از پیش پردازشها م محاسبات مختلف بکار می روند تا یک تصویر را که حجم زیادی اطلاعات تشخیصی به رادیولوژسیت بدهند. روش‌های بازسازی به یک شکل از تصویر اعمال می گردد. سایر پیش‌پردازشها شامل روشهای سطح پائین بر پایه بینایی برای فیلتر کردن و انتقال تصاویر جهت مشاهده و آنالیز آسان تر می‌باشد.

۱-۲- بینایی کامپیوتر بر پایه بینایی انسان:

از روزهای نخست محاسبات، محققان به علت استفاده از کامپیوتر برای اتوماتیک کردن تشخیص الگوهای بینایی اغفال شده اند. شباهتها بین بینایی انسان و بینایی ماشین باعث تحریک پرسپترون Rosendlatt که جد شبکه‌های عصبی امروزی است شده است. شیوه‌های متعدد تشخیص الگو به مسائل بینایی مانند دست نوشته‌ها اعمال شده‌اند. در تصویربرداری پزشکی Lodwick با استفاده ازتئوری Bayes توانست مشخصات طرح تومورهای استخوانی را از ۲۰۰۰ موردی که سرطان داشته و در دانشگاه جراحی آمریکا ثبت شده بودند را استخراج کند. مشخصه‌بندی یک سری اشیاء طبیعی که از تصاویر واقعی (X-Ray) استخراج می‌شوند، کار طبیعی است. اشیاء به راحتی و با مقایسه الگوها قابل دسته‌بندی هستند هنگامی که طرحها، آلوده به نویز می‌باشند و غیر مطمئن، این کلاسه‌بندی برای تشخیص الگوها، بسیار وابسته به تصمیم‌گیری‌های آماری است.

۲-۲- استخراج الگوها:

هنگامی که کامپیوترها به اندازه کافی، قدرتمند شدند، استخراج اتوماتیک طرحها از داده‌های تصاویر، آغاز شد. در یک تصویر با مقیاس خاکستری طرحها می‌توانند شامل سطح شدت یکی شی و توضیحاتی راجع به مرزها، شکل، بافت‌ و سایز و … شی باشد. به زودی تشخیص داده شد ک بخش‌بندی یک شیء از زمینه آن می‌تواند به وسیله مشخص کردن ناحیه‌ای در تصویر که مربوط به شی شده یا ابتدا مشخص کردن مرزهایی یک شیء و سپس استخراج ناحیه بسته اطراف آن، انجام گیرد.

۳-۲- تشخیص مرزها:

Segment نواحی به خاطر روشهای ساده‌ای که برای این کار وجود دارد، امروزه بسیار معمول می‌باشد.

  • آستانه : برای شدت هر پیکسل
  • رشد ناحیهRegion Growing
  • شکافتن و شکستن ناحیه Region Splitting

از عمل thresholding زمانی استفاده می‌شود که ناحیه بطور یکنواختی دارای کنتر است نسبتاً به زمینه باشد و لبه‌ها کاملاً مشخص باشد. این روش از اندازه‌گیری عدم یکنواختی مقدار شدت تصاویر (با همان گرادیان) استفاده می‌کند. در تصویر واقعی لبه‌ها معمولاً‌ پیچیده و نویزی هستند و مدن کردن آنها با یک روش ساده که همان شکل ramp می‌باشد، کار غیرواقعی است.  لبه‌ها معمولاً با سایز و مقیاسهای مختلفی در تصویر پراکنده‌اند، بنابراین لازم است از اپراتور edge-extracting با رزولوشن‌های مختلف استفاده شده و این عمل را بر روی نقاط مختلف تصویر اعمال کرد. سگمنتیشن بر پایه مرزها روش پیچیده‌تری است و لازم است مرزهای هر شی با روش تشخیص لبه مشخص گردد. انتخاب دیگر این است که تغییرات شدید در لبه‌ها را از طریق تابع مشتق دوم یا همان عبور از ۰ تشخیص داد. و برای اینکه اثر نویز را کاهش دهیم از یک فیلتر پائین گذر نیز استفاده می‌کنند. در تصاویر پزشکی، بافتهای بدن با رنگ، بافت و سایر طرحهای پیچیده در تصویر کاملاً‌  قابل تشخیص‌اند و می‌توان از روش چندرزولوشنی برای تشخیص آنها استفادهکرد با وجود تعریف لبه‌ها و سایر طرحها، تصاویر پزشکی با اشیاء پیچیده و منابع نویزی مختلف به ندرت به روش Segmentation ساده قابل تشخیص‌اند.

۴-۲- فیلتر کردن تصاویر:

برای روشهای ساده Segmentation برای اینکه بتوان تغییرات را در تصویر تشخیص داد لازم است که ابتدا با عمل فیلتر کردن و حذف نویزهای فرکانس بالا تصویر را یکنواخت و نرمتر کرد و سپس برای اینکه لبه‌ها شدت پیدا کرده و در تصویر مشخص‌تر شوند، از یک فیلتر بالا‌گذر یا میان‌گذر جهت افزایش شدت آنها استفاده کرد . مسئله اینجاست که از راه مقایسه چگونه می‌توان لبه‌های واقعی را از جعلی تشخیص داد. با وجود روشهای مختلف آماری برای تشخیص لبه‌ها، کاربرد آنها جهت انتخاب بر روی یک مدل جهت تشخیص مسائل جزئی تنها با تستهای تجربی که بر روی فانتوم قابل اجراست ولی در کلینک هزینه‌بر است، ‌امکان پذیر می‌باشد.

۵-۲- استراتژی‌های پردازش تصویر:

به خاطر وابستگی‌های پیچیده، بین پردازش تصاویر و محیطهای اطراف آن، حل کردن مسائل بخش‌بندی اتوماتیک کار ساده‌ای به نظر نمی‌رسد. برای تشخیص دو بعدی اشیاء در تصاویری که از منظرهای واقعی تهیه می‌شوند چه در مبحث صنایع و چه در پزشکی مسئله اصلی انتخاب استراتژی مناسب برای حل این مسائل است.

چهار کلاس برای استراتژی محاسباتی وجود دارد:

  • روشهای طبقه‌بندی بردار طرح:

این روش تنها برای مسائل ساده با داده‌های کم و پیچیدگی کم مدل بکار می‌رود. اینها می‌توانند یا مستقیم بر روی ردیفی از داده‌ها یا با طرحهای خلاصه شده و یا نواحی که از ردیف داده‌ها بدست می‌آید کار کنند.

  • مدلهای مناسب برای داده‌های تصویرنویزی:

در این قسمت، محدودیتهای فضایی، ساختار مورد نظری از شی را که باید تشخیص داده شود و می‌تواند ثابت و یا متغییر باشد؛ بیان می‌کند. در مدل‌های ثابت مانند تبدیل Hough ، عملگرهای ریاضی با ویژگیهای عمومی از قبیل مشخص شده جهت تشخیص باید پارامتربندی شوند. مدلهای قابل تغییر به وسیله محدودیتهای نوعی مشخص شده و عموماً سطح یا محیطی را اطراف هر شی رسم می‌کنند. در تصویربرداری پزشکی، روشهای تغییر شکل قابل ارجاعی برای مدل کردن سطح اطراف بکار می رود.

  • مدلهای مناسب برای علامت دار کردن ساختارها:

مناظری که دارای انواع مختلف و متفاوتی از اشیاء هستند بهتر که به وسیله توصیفی از زیرقسمتها که از یک طرف می‌توانند به راحتی تشخیص داده شوند و از طرف دیگر به راحتی کل تصویر را پوشش می‌دهند، مدل شو. تشخیص دادن می‌توانند به وسیله پیداکردن استراتژی‌های جستجوی مناسب برای بهتر سوار کردن این زیر قسمتها به طوریکه تصویر اصلی را بسازد،‌ اجرا شود. در تصویربرداری پزشکی این عمل به ندرت انجام می‌گیرد.

  • استراتژی‌های متصل شده به یکدیگر :

با افزایش پیچیدگی داده‌های نویزی و مدلها، اتصال، استراتژی‌های منشاء گرفته از داده و همچنین منشأ گرفته از مدل جهت تشخیص بهینه زیرمدلها جهت ساختن تصویر، پیشنهاد می‌شود . این روشها راه‌حلی برای تصاویر پزشکی خلاصه شده، پیشنهاد می‌کند. ترکیب مراحل پردازش تصویر، نقشه‌کشی و طراحی آزمایشی و آموزش این پیچیدگی‌ها و نشان دار کردن و بازیابی این تصاویر مطابق با ترتیبی که این زیر ساختارها کنار هم قرار گرفته‌اند.

بر طبق مقوله‌بندی که در بالا انجام شد، بیشتر تشخیص تصاویر دو بعدی پزشکی شامل مقوله۱ و ۲ می شوند در نتیجه کاربردهای تکنیک‌های تشخیص بطور ذاتی در مسائل تصویر‌برداری مشخص بیان شده‌اند. با وجود این استفاده از اتصال و مجموع استراتژی‌ها در سال‌های اخیر بسیار رایج شده است. پیچیدگی‌ محاسباتی، بیشتر تصاویر پزشکی باعث مشخص کردن کاربرهای آنها گردیده است.

۶-۲- روشهای مبتنی بر بینایی:

دیدگاههای مختلف برای روشهایی تشخیص در تئوری Marr آورده شده است. با استفاده از پردازشهای اطلاعاتی و تحقیقات بینایی را بر طبق سه دسته رواج داد.  ۱- تئوری محاسباتی  ۲- نمایش و الگوریتم  ۳- سخت‌افزار

این اهداف تأثیر عمیقی بر روشهای مبتنی بر بینایی بخصوص در رباتیک. نقش این اهداف در رابطه با تصویربرداری پزشکی هنگامی که جراحی انجام می‌گیرد، رباتیک و سایر محیطههای کنترلی افزایش می یابد. مدلهای ریاضی کلی از بینایی به وضوح بیان می‌کند که چگونه بیشتر مسائل تشخیص تصاویر دوبعدی تنها با محدود کردن شدید تصاویر دوسه زمینه مشکلات، روشها و فضای کاری قابل حل شدن است.

۷-۲- فشرده سازی تصاویر:

افزایش درخواستها برای انتقال سریع اطلاعات تصویری برای اهداف رادیولوژی از راه دور، آسیب‌شناسی از راه دور و تحقیقات بیومدیکال و آموزش،‌ جنگهای مشکلی را در فشرده سازی تصاویر مطرح کرد

در حالیکه استفاده از تکنیکهای فشرده‌سازی باعث بهتر شدن بازدهی انتقال تصاویر شده است وی باز هم کاربران زمان انتظاری را برای انتقال تصویر متوسط( pixel512*512) سپری می‌کنند. گذشته از این کاربردهای پزشکی، نیازمند دقت و صحت بالا جهت اهداف تشخیص و درمانی می‌باشد و با وجود مسائل موجود در تشخیص وفشرده‌سازی تفاضلی تصاویر که قسمتهای مهم را بر حسب داده‌های غیرمهم تصویر برای انتقال بهتر و سریعتر تصاویر در کنار محدودیتهایی که برای روشهای استاندارد فشرده‌سازی وجود دارد انجام می دهند.

۸-۲- تفسر تصاویر فشرده:

انجام بیشتر تکنیکهای فشرده‌سازی استاندارد به وسیله طبیعت داده‌ها و استفاده‌ای که از آنها می‌شود تعیین می‌گردد. به عنوان مثال استفاده از فشرده‌سازی‌های پراتلاف جهت نمایش پاره‌ای از تصاویر رادیولوژی کافی خواهد بود. می‌توان منطقه مورد نظر از تصاویر را که برای اهداف تشخیص مدنظر هستند با یک رزولوشن کافی نمایش داد. در حالیکه بقیه تصویر به وسیله روشهای فشرده‌سازی پراتلاف کاهش حجم یابند. برای بسیاری از کاربردها بسته به اهداف مورد نظر بخش مهمی از تصویر که مهم می‌باشد را مدنظر قرار داد و بقیه تصویر را که مدنظر نمی‌باشد وپس زمینه تصویر است. برای آنالیز مدنظر نیست انتقال ندارد. این نوع فشرده‌سازی بر پایه مفهوم و محتوا می‌تواند بازدهی انتقال تصاویر را بطور قابل توجهی افزایش دهد. در نتیجه مطالعه و تعیین نسبت فشرده‌سازی که برای یک کاربرد مشخص مانند تشخیص و یا جراحی برای کلاسهای مختلف تصاویر بر حسب تجربیات فکری خرد که بر روی تصویر قابل تحمیل می‌باشد، مشخص کرد.

۳- پردازش سه‌بعدی تصاویر پزشکی:

در مقابل تشخیص مناظر طبیعی، تصویربرداری پزشکی بخصوص تصاویر سه بعدی که مطابق محیط اطراف انسان هاست امکانات کلی جهت پردازش تصاویر در اختیار گذاشته است. انداز‌ه‌گیری‌های توموگرافی در مقیاس ذره‌ای باعث تخمین مقدار واقعی و خواص فیزیکی بافتی که مورد تصویربرداری واقع شده در واحد حجم تصویر یا همان Voxel می شود بر عکس تصویربرداری عمومی مانند توموگرافی، تصویربرداری پزشکی معمولاً نوع بافتهای هدف را از یکدیگر مجزا می‌سازد با وجود منابع نویزی مختلفی که وجود دارند، ‌اشکالات دستگاه،‌آرتیفکت‌های منطقه مشاهده پیچیدگی موضع تصویربرداری و مشکلاتی که در مقیاس بندی وجود دارد،‌تفسیر دو بعدی از داده‌هایی تصویری سه‌بعدی که وجود دارد برای انسانهایی که تجربه دارند،‌ دارای مشکلات کمی می‌باشد. با وجود اینکه تشخیص خودکار و اتوماتیک اشیائ سه‌بعدی به جز برای اشیاء ساده که دارای استاندارد بخصوص باشند غیرممکن می باشد ولی به خاطر پیشرفتهای نمایشی جدید در تصویربرداری و سخت‌افزاریهای محاسباتی – گرافیکی مدلسازی و نرم‌افزارهای قابل دید کردن می‌توان آنها را مد نظر قرار داد.

۱-۳- بازسازی سه‌بعدی:

برای تجسم سه‌بعدی از داده‌های دو بعدی باید عمل interpolation (محاسبه مقادیر اواسط بین دو نقطه) انجام گیرد و تصاویر مربوطه با کیفیت مختلف،‌مشاهدات یا زمان جمع‌آوری داده‌ها ثبت شود. روشهای مختلف پیشرفته برای مشاهده ذاتی تصاویر سه بعدی بر روی صفحه نمایشهای دو بعدی ارائه گردیده ولی همه آنها دو مقوله را شامل می‌شوند ۱- رندر کردن  ۲- رندر کردن حجم

روشهای رندر کردن پوسته عناصر سطح یا حجم را به یکدیگر متصل می‌کنند، اتصال داده‌هایی با کیفیت‌های مختلف برای اهداف نمایشی و آنالیز مورد نیاز است. شکل زیر نمایش سه‌بعدی قفسه سینه بعد از عملیات تشخیص‌ مرزها، لیبل زدن، رنگی کردن و سایه زدن اندامها نشان می‌دهد.

۲-۳- تبدیلات تصاویر:

Udupa روشهای تبدیل تصاویر را مطابق با کاربردهای آنها لیست‌بندی کرد؛ داده‌هایی که استخراج می‌شوند برای مشاهده(فضای شی)، چرخشهای آنها،‌ مقیاس آنها و تبدیلهای آنها و نمایش دو بعدی آنها بر روی صفحه نمایش . تبدیلات برای هر کدام از این وجه‌ها از قبیل (منظره، ساختار، هندسه و ترتیب تصاویر) هر توضیح و شرح داده شده‌اند. mapping یا نقش بندی اکثراً در دو جهت انجام می‌گیرد و تأکید این کار برای کنترل کاربر که اپراتورهای مختلف را مشخص کرد. و معلوم کند کدام تصویر باید مورد تبدیل و آنالیز قرار گیرد. این عملگرها می‌توانند ریاضی(مانند فیلترنیگ یا استخراج جراح) یا گرافیکی (انتخاب منطقه قابل مشاهده یا روشهای رندر کردن) انتخاب شیوه بررسی بستگی به نظر کاربر دارد. کاربران مختار هستند که در هر مرحله میانی برای زیر مشکلات از روشهای بخش‌بندی (Segmentation) مختلف استفاده کنند. از آنجا که مدلهای هندسی مختلف برای چند نمایی، چند برشی و چندگانگی مشاهدات بخصوص در مراحل مختلف و برای آنالیز مشکلات مختلف بکار می‌روند، اعمال روشهای فیلترنیگ، سگمنتیشن ، استخراج الگو و تخمین سطح یا حجم و رندر کردن می‌توانند در مراحل مختلف و برای مسائل مختلف اعمال شود، هر مرحله، استراتژی آنالیز مختلفی دارد و متخصص پردازش تصویر باید یکی از انتخابها را که منجر به رسیدن به تفسیر و تعبیر یکسان می‌شود انتخاب کند. این امر بستگی به تجربه فرد دارد.

۳-۳- صحت و اعتبار پردازش تصاویر:

با وجود اینکه انجام نتایج برای اتصال تکنیکهای مختلف و مطالعه تغییرات گزارش شده‌اند ولی شیوه انتخاب روش و ارزیابی آنها برای مقایسه استراتژی‌های مختلف مشکلات مختلف جوان به نظر می‌رشد. با وجود این تعریف اینکه چه چیزهایی کلاس مسائل را مشخص می‌کند کار مشکلی است. با وجود این ،‌ روشهای آنالیز سیگنال به شکلهای منحنی Roc را می‌توان به روشهای تشخصی و سگمنتیشن اعمال کرد ولی جهت استفاده از سیتمهای پیچیده استراتژی‌های پیچیده‌ای مورد نیاز است.

۴-۳- راه حلهای عمومی در مقابل راه‌حلهای ویژه:

اخیراً کیفیت تصویر به وسیله انتخاب فیلترها و روشهای انتقال و تبدیل مختلف برای یک مسئله مشخص آنالیز می‌شود. بعضی کابردها نسبت به بقیه عمومی هستند. مثلاً‌ روش فیلترنیگ تصویر، گزارش شده که برای یک فیلترکردن خطی بهینه جهت حجم جزئی در ترکیب مدهای مختلف MRI مفید می باشد، در حالیکه در هیمن لحظه استفاده از روش Segmentation برای طرح دگیر مفید است. تکنیک‌های مقیاس – فضا که برای سگمنت‌کردن تعاملی بکار می روند و روشهای چند رزولوشنی مانند ویولت روشهای موفقی بوده‌اند . مدلهای هندسی مطابق با دانسته‌ها و هندسی و مورفولوژیکی و ساختارهای بنا نهاده شده بر دانسته‌ها مورد آْزمایش قرار گرفته‌اند و در سیستمهای نمونه می‌توانند مفید و موفق باشند.

۵-۳- الحاق فضای دانسته‌ها:

اتصال دانسته‌های قلمرو پزشکی مانند ورلهای آناتومی و مشخصات داده‌های تصویر با تکنیکهای پردازش تصویر نوعی به نظر می‌رسد که برای طراحی سیستمهای آنالیز تصویر پزشکی بسیار مؤثر خواهد بود. روشی که تخصصهای تصویربرداری و دانسته‌ها به یک سیستم متصل شوند از یک دستگاه دیگر فرق می‌کند. معمولاً اعمال یک سیستم مشخص نباشد بر پایه دانسته‌ها به طبقه مشخصی از مشکلات کار دشواری است. و تغییر دادن و اصلاح سیستم‌های موجود برای حل کردن مشکلات جدیدی که پیش ‌می‌آید، کار نامناسبی است. یک کلاس عمومی‌تری بر پایه دانسته‌ها برای اصلاح این مشکلات باید طراحی شود. بیشتر این شیوه‌های مشاهده تفسیر تصاویر به عنوان مراحل طراحی یا برنامه‌ریزی که شامل بنا کردن پردازش تصویر کاربردی و روشهای تشخیص برای کاربرد مشکلات است. هدف طراحی و گسترش ساختارهای تصمیم‌گیری و برنامه‌ریزی است که در آن برای هر مشکل مشخص، راه حل معلوم باشد.

 

برای عضویت روی عکس زیر کلیک کنید : (آخرین اخبار مرتبط با مهندسی و سایر تکنولوژی ها)

یا آدرس لینک زیر را در تلگرام خود جستجو نمایید:

m_b_coll@


مجموعه: پردازش تصویربرچسب ها , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *