تحولات در روش شبیه سازی عنصر محدود (FEM) و ساخت مواد افزودنی (چاپ سه بعدی) به معنای تحول در سیستم عصبی و جراحی مغز و اعصاب است. شبیه سازی FEM امکان شبیه سازی کارآمد تغییر شکل مکانیکی بافت مغز را فراهم می کند ، که در تجزیه و تحلیل آسیب ها و نقص های مغزی مفید است [۳]. به طور مشابه ، تولید مواد افزودنی امکان ایجاد آنالوگهای دقیق جسمی مغز را برای تجزیه و تحلیل و آموزش جراحی مغز و اعصاب باز می کند. با این حال ، تنگنای اصلی در این گردش کار ، بخش بندی تصاویر MRI برای تبدیل به مش المان محدود یا پرونده STL قابل چاپ است. در حالی که بسته های نرم افزاری پردازش تصویر پزشکی پزشکی در دسترس است ، اینها اغلب گران هستند و هنوز هم نیاز به کاربر دارد تا بخش زیادی از تصویر را به صورت دستی تقسیم کند.
اهداف پروژه
هدف از این پروژه ایجاد یک سیستم تقسیم بندی تصویر برای تصاویر MRI مغز با ادغام و تطبیق تکنیک های تقسیم بندی موجود است. این پروژه اصول مربوط به پردازش تصویر ، نورومکانیک و مدل سازی معکوس تصادفی را برای ایجاد یک الگوریتم قوی برای تشخیص و استخراج لبه در MRI مغز ترکیب می کند. الگوریتم تقسیم بندی به سه مرحله اصلی تقسیم می شود. در مرحله اول ، این تصویر با استفاده از تقسیم بندی بدون نظارت ، مانند خوشه بندی c به معنای فازی (FCM) و برداشتن ناحیه کوچک ، از بین می رود تا ساختارهایی مانند نویز استخوان و پس زمینه که جزئی از مغز نیستند را از بین ببرد. FCM برای تقسیم بندی کامل از ویژگی های پیچیده ، موفقیت بسیار محدودی دارد ، اما قادر است ویژگی هایی را که به خوبی از ویژگی های مربوط به یک تصویر جدا شده اند ، حذف کند [۱]. سپس الگوریتم بین مراحل دو و سه تکرار می شود. مرحله دوم روال پردازش تصویر با استفاده از لبه های مبتنی بر موجک است ، زیرا این روش در حل لبه های چند مقیاس و به ویژه مواردی که در تصویر MRI مغز یافت می شود موفقیت آمیز است [۵]. مرحله سوم بهینه سازی لبه از طریق به حداقل رساندن انرژی عملکردی سطح بندی خواهد بود ، روشی که در یون و همکاران موثر است. [۴] انرژی کاربردی برای تاشو قشر بر اساس مدلهای مکانیک تاشو قشر مغزی ، مانند مواردی که در Budday و همکاران نشان داده شده است ، پایه ریزی می شود. [۲] در هر تکرار ، مقیاس تشخیص لبه مبتنی بر موجک کوچک می شود و امکان تقسیم لبه های به تدریج کمتر آشکار ، و همگرایی نهایی به تصویر نهایی مغز را می دهد. به طور کلی ، امیدوارم که این پروژه بتواند به طور دقیق مرزهای بافت اصلی مغز را به طور دقیق و دقیق تقسیم کند به گونه ای که سطح حاصل از آن در چاپ های سه بعدی و برنامه های شبیه سازی FEM قابل استفاده باشد.
References
[۱] M. A. Balafar, A. R. Ramli, M. I. Saripan, and S. Mashohor. Review of brain MRI image segmentation methods. Artificial Intelligence Review, 33(3):261–۲۷۴, January 2010.
[۲] Silvia Budday, Paul Steinmann, and Ellen Kuhl. The role of mechanics during brain development. Journal of the Mechanics and Physics of Solids, 72:75–۹۲, December 2014.
[۳] Matthew B. Panzer, Barry S. Myers, Bruce P. Capehart, and Cameron R. Bass. Development of a finite element model for blast brain injury and the effects of CSF cavitation.Annals of Biomedical Engineering, 40(7):1530–۱۵۴۴, February 2012.
[۴] Sung Won Yoon, Hang Sik Shin, Se Dong Min, and Myoungho Lee. Medical endo-scopic image segmentation with multi-resolution deformation. In 2007 9th InternationalConference on e-Health Networking, Application and Services. Institute of Electrical &Electronics Engineers (IEEE), June 2007.
[۵] Yudong Zhang, Zhengchao Dong, Lenan Wu, Shuihua Wang, and Zhenyu Zhou. Fea-ture extraction of brain MRI by stationary wavelet transform. In 2010 International Conference on Biomedical Engineering and Computer Science. Institute of Electrical & Electronics Engineers (IEEE), April 2010.
شبیه سازی قطعه بندی تصاویر MRI مغز با متلب توسط متخصصان گروه پروماد انجام شده است.فایلهای نرم افزاری پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
اگر این محصول، پروژه مورد نظر شما نمی باشد، می توانید از طریق لینک زیر سایر پروژه های مشابه را مشاهده کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.