شناسایی و قطعه بندی بافت کبد از تصاویر میکروسکوپی به صورت خودکار در متلب

پروژه شناسایی و قطعه بندی بافت کبد از تصاویر میکروسکوپی در MATLAB

پروژه شناسایی و قطعه بندی بافت کبد از تصاویر میکروسکوپی با نرم افزار MATLAB را عنوان مقاله مرجع Automatic Liver Tissue Section Image Characterization آماده کردیم که شناسایی، قطعه بندی و شمارش سلول ها در این پروژه به صورت خودکار انجام می شود. در ادامه به توضیحاتی در رابط به نارسایی كبدی و این پروژه پردازش تصویر، بینایی ماشین، هوش مصنوعی و مهندسی پزشکی پرداخته و فیلم و تصاویری از خروجی آن به همراه لینک دانلود مقاله مرجع قرار داده شده است که فیلم خروجی به صورت آنلاین نیز قابل مشاهده می باشد.

نارسایی كبدی چیست ؟

نارسایی كبدی دو دسته بزرگ دارد که نارسایی حاد و نارسایی مزمن كبد را شامل می شود، نارسایی حاد كبد نسبتا ناشایع است و پاتوفیزیولوژی آن به از دست رفتن کارایی هپاتویستها به طور حاد و گسترده مربوط شده و اغلب عوارض بلند مدت نیز ایجاد نمی شود. در نارسایی مزمن كبد در زمینه هپاتیت و بررسی، بیماری های متابولیك، مصرف اتانول یا سم ها، نكروز مداوم و پیشرونده هپاتوسیت ها باعث ایجاد پاسخ فیبروتیك و دژنراسیون هپاتوسیت ها می شود كه منجر به سیروز می گردد.

هنگام ایجاد سیروز كبدی و از كار افتادگی كبد، بیماران مجبور هستند تا عمل جراحی پیوند كبد انجام دهند كه پیوند كبد در طی دو دهه اخیر، پیشرفت های گسترده ای را شاهد بوده و بقای بیماران پس از عمل نیز در حال افزایش می باشد.

توضیحات بیشتر، دانلود رایگان مقاله مرجع، فیلم و تصاویری از خروجی پروژه شناسایی و قطعه بندی بافت کبد از تصاویر میکروسکوپی در ادامه مطلب.

معرفی پروژه شناسایی و قطعه بندی بافت کبد:

تجزیه و تحلیل و تقطیع تصاویر کبد یک کار دستی و پر زحمت است که باعث کاهش سرعت پژوهش بحرانی نسبت به یافتن درمان های جایگزین برای بیماران مبتلا به بیماری کبدی که نیاز به پیوند کبد (یک روش درمانی برای درمان مرحله پایانی (end-stage) بیماری‌ های کبدی و نارسایی حاد، هستند، می باشد. در این پروژه روشی ارائه می شود که با استفاده از آن می توان به طور خودکار اقدام به شمارش سلول های هپاتوسیت، تعداد هسته ها و طبقه بندی انواع رنگ های کبد، از مجموعه تصاویر و داده های ورودی پرداخت.

تصاویری از خروجی پروژه شناسایی و قطعه بندی بافت کبد از تصاویر میکروسکوپی:

تصویر خروجی 1:

تصویر خروجی 2:

تصویر خروجی 3:

تصویر خروجی 4:

تصویر خروجی 5:

تصویر خروجی 6:

تصویر خروجی 7:

تصویر خروجی 8:

تصویر خروجی 9:

تصویر خروجی 10: