قطعه بندی تصاویر مغزی MRI با الگوریتم K Means با متلب

پروژه قطعه بندی تصاویر مغزی MRI با الگوریتم K Means با متلب

در این پست پروژه قطعه بندی تصاویر مغزی MRI با الگوریتم K Means با متلب را برای علاقمندان به رشته پزشکی و پژوهشگرانی و افرادی که در زمینه پردازش تصویر در حال جستجو و تحقیق هستن آماده کرده ایم که توضیحات بیشتر و فیلم و تصاویر خروجی آن در ادامه مطلب قابل مشاهده است.

الگوریتم K Means از مشهورترين الگوريتم های خوشه بندی می باشد که به دليل پياده سازي آسان و سرعت عملكرد، محبوبيت بساری يافته است. هدف اصلی الگوریتم خوشه بندي K Means این است که مجموع عدم تشابه بين تمام اشياء يك خوشه از مراكز خوشه هاي متناظرشان كمترين باشد.

مغز انسان از بافت های متفاوتی تشکیل شده است که به لحاظ آناتومیکی می تواند به بخش های زیر تقسیم شود: جمجمه، مایع مغزی نخاعی، ماده خاکستری، ماده ی سفید، ماهیچه، چربی، مویرگ و حفره. بهترین راه برای مشاهده و بررسی بافت های مذکور این است که با یک روش غیر تهاجمی از درون آن بافت ها تصویر برداری کرد، در تولید تصاویر با تشدید مغناطیسی MRI از امواج الکترومغناطیس استفاده شده است. این امواج از دو بخش الکتریکی E و مغناطیسی B تشکیل شده اند. این دو برهم عمودند و با اختلاف فاز 90 درجه در فضا از یک منبع خاص منتشر شده اند.

توضیحات بیشتر و فیلم و تصاویر خروجی قطعه بندی تصاویر مغزی MRI با الگوریتم K Means با متلب در ادامه مطلب.

امواج الکترومغناطیس مورد استفاده در تصویر برداری با تشدید مغناطیسی در محدوده امواج فرکانس رادیویی است. این امواج دارای فرکانس 100-3 مگاهرتز است. در این تصاویر از پدیده جذب و انعکاس امواج فرکانس رادیویی از بافت های بدن استفاده شده است. که در رایانه با استفاده از تبدیل فوریه به تصویر تبدیل می کنند. این تصویر بسیار دقیق است و تغییرات بسیار کوچک را نیز می توان نشان دهد.

یک تصویر را می توان توسط تابع دو بعدی (F X,Y) نمایش داد، که در آن X,Y را مختصات مکانی و مقدار F در هر نقطه را شدت روشنایی تصویر یا سطح خاکستری در آن نقطه می نامند. پیش پردازش ،برای ارتقاء تصویر و حذف مولفه های غیر ضروری از تصویر انجام می گیرد. پردازش تصویر ، یعنی شناسایی ویژگی هایی از تصویر است که بتوان از آنها برای کاربرد مورد نظر خود استفاده کرد.

شناسایی نقاط ویژه و انحنا ها از جمله ویژگی هایی هستندکه در سیستم تشخیص می توانند استخراج گردند. انواع پردازش تصویر را می توان در سه نوع پردازش سطح پایین، سطح میانی و سطح بالا دسته بندی کرد. پردازش سطح پایین شامل پردازش های ابتدایی مانند پیش پردازش هایی برای حذف نویز، بهبود کنتراست و فیلتر کردن تصویر است.

مشخصه این پردازش این است که ورودی و خروجی ان تصویر است. پردازش سطح میانی شامل بخش بندی تصویر به منظور تقسیم آن به نواحی و اشیاء مختلف و توصیف اشیاءبه فرمی که برای پردازش کامپیوتر مناسب تر باشند ، طبقه بندی یا تشخیص اشیاء مختلف است.

ویژگی پردازش میانی این است که ورودی آن تصویر است و خروجی آن صفاتی از اشیاء تصویر مانند لبه ها ،کانتورها و تشخیص اشیاء است. پردازش سطح بالا شامل فهمیدن روابط بین اشیاء تشخیص داده شده ، استنباط و تفسیر صحنه و انجام تفسیر و تشخیص هایی است که سیستم بینایی انسان انجام می دهد. در این مرحله با استفاده از ویژگی های استخراج شده به آنالیز تصویر می پردازند.

کاربردهای ناحیه بندی تصاویر مغزی :

ناحیه بندی عبارت از برچسب زدن به پیکسل ها در تصاویر پزشکی است ناحیه بندی، تصویر را به بخش های مجزا تقسیم می کند که هر کدام از این بخش ها دارای سطوح روشنایی یکنواختی هست.در تصویربرداری پزشکی، برای مشاهده بافت ها ،تشخیص دقیق مرزبافت ها اهمیت بالایی دارد. علاوه بر این ناحیه بندی تصاویر تشدید مغناطیسی دارای کاربردهای فراوانی است. 1- شناسایی آناتومی بافت ها 2- برنامه ریزی پزشک برای جراحی 3- کشف بافت های غیر نرمال مانند تومورها و زخم ها 4- بررسی پیشرفت بیماری ها 5- تورم مغز و غیره.

تصویر خروجی 1 :

تصویر خروجی 2 :

تصویر خروجی 3 :

تصویر خروجی 4 :

تصویر خروجی 5 :

تصویر خروجی 6 :

تصویر خروجی 7 :