گروه مورد نظر : عنوان پروژه :
قسمتی از عنوان پروژه تان را وارد نمائید ...
قیمت پروژه از : تا : داکیومنت : کامنت :
جستجو پروژه
طبقه بندی پروژه ها
خدمات ویژه ناب پروژه
آخرین پروژه ها
تبلیغات متنی
بنرهای تبلیغاتی
آمار بازدید سایت
افراد آنلاین در سایت ناب پروژه تعداد افراد آنلاين : 5
بازدید امروز سایت ناب پروژه تعداد بازديد امروز : 66
تعداد بازدید دیروز از سایت ناب پروژه تعداد بازديد دیروز : 334
کاربران آنلاین در ناب پروژه تعداد بازدید کل : 4,269,412
   

شبیه سازی تشخیص ضایعه MS در تصاویر MRI مغز با استفاده از الگوریتم CNN در متلب(پیاده سازی مقاله 2018)


قیمت قبلی : 58500  تومان
 تخفیف : 0  %
قیمت  جدید: 58500   تومان
بانک : سایر بانک های اطلاعاتی
کامنت گذاری: دارد
فایل داکیومنت : دارد
رمز ورود پروژه : ندارد - ندارد

فایل دمو پروژه : دانلود فایل داکیومنت تکمیلی
فایل داکیومنت : دانلود فایل دمو | اجرایی پروژه
تعداد مشاهده : 4065

- در صورت نیاز به آموزش آنلاین نحوه ساخت این پروژه توسط نرم افزارهای آموزش راه دور و یا درخواست تهیه پروژه مشابه، کافیست با شماره تماس 09179221734 یا آدرس ایمیل behnam.h1368@gmail.com هماهنگی های لازم را انجام دهید.
توضیح  کلی :

این پروژه با زبان برنامه نویسی متلب نسخه 2015a نوشته است. هدف اصلی شبیه سازی انجام شده، تشخیص ضایعه MS در تصاویر MRI مغز با استفاده از الگوریتم CNN می باشد. الگوریتم مورد استفاده در این شبیه سازی، الگوریتم محبوب CNN می باشد.

شبیه سازی انجام شده در این مقاله مبتنی بر مقاله چاپ شده در ژورنال arxiv می باشد. موضوع این مقاله در ذیل مطرح شده است:

Multiple Sclerosis Lesion Segmentation from Brain MRI via Fully Convolutional Neural Networks

شما این مقاله را می توانید از لینک زیر دانلود نموده و در صورت احتیاج به تایید از سمت استاد، به ایشان تحویل داده و پس از تایید اقدام به خرید این محصول نمایید.

https://arxiv.org/abs/1803.09172

بیماری اسکلروز چندگانه یا به اختصار MS:

بیماری اسکلروز چندگانه یا به اختصار MS یک بیماری مزمن است که نوعی اختلال خودایمنی سیستم اعصاب مرکزی است که درنتیجه تخریب پوششِ میلین، سبب ایجاد لکه های سفید یا پلاک های متعددی در مغز فرد می گردد. اسکلروزیس چندگانه یک بیماری بالقوه ناتوان‌کننده است که درآن سیستم ایمنی بدن، غلاف محافظی که اطراف اعصاب را پوشش می‌دهد ازبین می برد.

این مورد در ارتباط بین مغز و سایر اندام­ها مداخله نموده و درنهایت ممکن است موجب زوال اعصاب که یک روند غیرقابل برگشت می‌باشد، گردد. علائم به‌صورت گسترده‌ای متفاوت و وابسته به میزان صدمه واعصاب خاصی که تحت تأثیر قرارگرفته است می‌باشد. این ضایعات در بیشتر موارد بر ماده سفید موجود در عصب بینایی، ساقه مغز، ستون فقرات، یا ماده سفید موجود در حوالی نزدیک به بطن جانبی تأثیر می‌گذارند [2-1].

این ضایعات ماده سفید معمولا در تصاویر MRI مغز قابل مشاهده هستند که به شکل کانون­های سفید رنگ گرد و بیضوی متعدد در ماده سفید مغز نمایش داده می­شوند که اصطلاحاً به آن پلاک می­گویند. از تصاویر MRI برای بررسی کلینیکی و تحقیقاتی بیماری MS بسیار استفاده شده است. با این روش میتوان از وجود پلاکهای جدید و یا افزایش اندازه و تعداد آنها در بیمار مطلع شد. صحت شناسایی و تشخیص ضایعات MS در تصاویر MRI دشوار است و تقسیم بندی آن ممکن است همراه با خطا باشد. یک جایگزین دقیق برای تقسیم بندی ذهنی، تقسیم بندی با استفاده از کامپیوتر است که می تواند با دقت بیشتر و در زمان کوتاهتری برای پزشک صورت گیرد و تحت عنوان تقسیم­بندی (قطعه­بندی) تصویر در علوم کامپیوتر شناخته می­شود.

قطعه­بندی یک تصویر، تقسیم­بندی تصویر به تعدادی ناحیه است بطوری که پیکسل­های هر ناحیه دارای حداقل یک ویژگی خاص و مشترک هستند که این ویژگی می­تواند متعلق به یک شی از آن ناحیه باشد. اساسی­ترین ویژگی در قطعه­بندی یک تصویر، میزان شدت رنگ تصویر در یک تصویر رنگی و مولفه­های رنگی آن، لبه­های تصویر و بافت تصویر است. خروجی سیستم قطعه­بندی تصویر، تصویری است که بخش­های مختلف آن با استفاده از خطوط رنگی، اشکال هندسی و یا نواحی رنگی متفاوت از یکدیگر تفکیک شده­اند که این نوع تفکیک موجب تسهیل در تحلیل بخش­های مختلف تصویر می­شود [3].

بر همین اساس در طرح پیشنهادی هدف اصلی تقسیم­بندی تصاویر MRI مغز به منظور تشخیص ناحیه ضایعه MS در این نوع تصاویر است. در طرح پیشنهادی از سیستم تشخیص به کمک کامپیوتر یا به اختصار CAD استفاده خواهد شد. سیستم CAD یک روال تشخیص الگوی بسیار پیچیده است که می­تواند با پردازش تصاویر پزشکی ساختارهای نامتعارف و مشکوک را در این نوع تصاویر تشخیص دهد. سیستم CAD از چهار مرحله اصلی تشکیل شده است که عبارتند از پیش­پردازش، تقسیم­بندی، تحلیل ساختار یا ناحیه موردنظرو طبقه­بندی.

- در مرحله اول عملیاتی همچون حذف نمونه­ها اضافی، حذف نویز، فیلترسازی و غیره از تصویر انجام می­شود.

- در مرحله دوم عملیاتی همچون تفکیک­نمودن نواحی مختلف تصویر از یکدیگر، انطباق بخش­های تشخیصی با بانک اطلاعات و نمونه­برداری از مقادیر خاکستری ناحیه مورد نظر انجام می­شود. در مرحله سوم هر بخش تشخیص­داده­شده به صورت مجزا و به منظور دست­­یابی به مجموعه­ای از ویژگی­های خاص تعیین می­شود. پس از تحلیل هر یک از ساختارهای تشخیص­داده­­شده.

- در مرحله آخر احتمال ناحیه موردنظر محاسبه شده و در صورتی­که مقدار احتمالی قابل توجه باشد، ناحیه مورد نظر به عنوان ناحیه ضایعه در خروجی ذکر خواهد شد [4]. لازم به ذکر است سیستم CAD می­تواند شامل عملیات استخراج ویژگی و انتخاب ویژگی نیز باشد که در مرحله سوم قابل کاربرد است [5]. در روش پیشنهادی قرار است از ترکیب ویژگی­های آماری و رنگی تصاویر MRI نیز استفاده شود که ترکیب این دو نوع ویژگی شامل اطلاعات ظاهری و بافتی تصویر خواهد بود که تاثیر بسزایی در تشخیص ناحیه ضایعه خواهد داشت. در روش پیشنهادی مرحله آخر که قرار است تصمیم­گیری در مورد ناحیه اصلی ضایعه را انجام دهد توسط یکی از روش­ یادگیری ماشین انجام خواهد شد که دلیل این استفاده این است که برخلاف روش­های موجود و میتنی بر مدل CAD که از تکنیک­های پردازش تصویر بهره می­­برند، در روش پیشنهادی ستون اصلی سیستم مدل­ یادگیری ماشین می باشد که در این صورت انعطاف­پذیری روش پیشنهادی در تشخیص ناحیه ضایعه MS در تصاویر MRI افزایش خواهد یافت و در نتیجه دقت تشخیص نیز بهبود خواهد یافت.

 در بسياري از موارد نشان داده شده است كه ويژگي‌هاي ساختاري براي تشخيص یک مسئله­ی خاص در تصویر، با تغيير در ظاهر تصویر و يا تغيير در شرايط محيطي دچار مشكلات اساسي مي‌شوند. اما در گروه ويژگي‌هاي آماري که گشتاورهای هندسی هم از همین نوع اند، ويژگي‌ها براساس داده‌هاي موجود در كل تصوير استخراج مي‌گردند. يكي از بزرگ­ترين مزيت‌هاي روشهاي آماري اين است كه الگوريتم‌هاي زيادي براي آنها در دسترس مي‌باشد و مزيت ديگر آنها عام بودن مي‌باشد. از آنجا كه كل داده‌هاي موجود در يك تصوير براي ايجاد المانهاي بردار ويژگي مورد استفاده قرار مي‌گيرند، از اين رو داده‌هايي از تصوير كه در شناسايي الگو نقشي ندارند، در تشكيل المانهاي بردار ويژگي دخالت خواهند كرد.

مثلاً قسمتهايي از تصوير مانند زمينه تصوير وغیره كه تاثيري در شناسايي ندارند، در تشكيل بردار ويژگي مؤثر خواهند بود و بنابراين بازدهي شناسايي را تحت تاثير قرار مي‌دهند. گشتاورهاي هندسی با توجه به تعريف آنها مستقل از جابه‌جايي هستند، زيرا با تغيير محل تصوير، مركز جرم هم به نقطه جديد منتقل شده و در نتيجه كل گشتاور مستقل از جابه‌جايي مي‌گردد یعنی تشخيص الگو، از جابجايي و اندازه، مستقل است. مزيت عمده این روش، سادگي محاسبه آنها و هم­چنین سرعت مي‌باشد. در نهایت ويژگي‌هاي هندسی كه به صورت انتگرالي تعريف مي‌شوند، نشان دهنده ويژگي‌هاي بافتي تصوير هستند. مهمترين حسن اين ويژگي‌ها راحت بودن محاسبه و استخراج آنها مي‌باشد. همچنين اين ويژگي‌ها نسبت به نويز نيز حساسيت كمتري دارند.

 بنابراین با توجه به توضیحات ارائه شده در این صفحه، هدف اصلی این پروژه بکارگیری الگوریتم CNN به منظور تشخیص ضایعه MS در تصاویر MRI با استفاده از ابزار برنامه نویسی می باشد.


توجه: در صورت نیاز به انجام پروژه مشابه، فصل 3و4و5 این پیاده سازی کافیست با شماره تماس یا ایمیل درج شده در سایت تماس حاصل نمایید.

منابع:

[1].  D. García-Lorenzo, S. Francis, S. Narayanan, D.L. Arnold, and D. Louis Collins, "Review of automatic segmentation methods of multiple sclerosis white matter lesions on conventional magnetic resonance imaging," Medical image analysis, Vol. 17, No. 1, pp. 1-18, 2013.

[2].  O. Ganiler, A. Oliver, Y. Diez, J. Freixenet, J.C. Vilanova, B. Beltran, L. Ramió-Torrentà, À. Rovira, and X. Lladó, "A subtraction pipeline for automatic detection of new appearing multiple sclerosis lesions in longitudinal studies." Neuroradiology, Vol. 56, No. 5, pp. 363-374, 2014.

[3].  Schmidt, Paul, Christian Gaser, Milan Arsic, Dorothea Buck, Annette Förschler, Achim Berthele, Muna Hoshi et al. "An automated tool for detection of FLAIR-hyperintense white-matter lesions in multiple sclerosis." Neuroimage, Vol. 59, No. 4, pp. 3774-3783, 2012.

[4].  G.JS Litjens, J.O. Barentsz, N. Karssemeijer, and H.J. Huisman. "Clinical evaluation of a computer-aided diagnosis system for determining cancer aggressiveness in prostate MRI." European radiology, Vol. 25, No. 11, pp. 3187-3199, 2015.

[5]. Faust, Oliver, et al. "Application of infrared thermography in computer aided diagnosis." Infrared Physics & Technology 66 (2014): 160-175.

امکانات اصلی پروژه :

برخی از مهمترین امکانات این پروژه عبارتند از:

- دانلود دیتاست ضایعات MS در تصاویر MRI مغز

- دانلود سورس کد نوشته شده با متلب

- دریافت کامنت های مربوط به کدها

- تشریح کامل فصل 3 پایان نامه (در صورت نیاز می توانید بصوت جداگانه دریافت نمایید)

- مستندات فصل 4و5 (در صورت نیاز می توانید بصوت جداگانه دریافت نمایید)


  در صورت تمایل به ارسال نظر ، تنها در مورد پروژه فعلی نظر خود را ثبت کنید .
نام شما :
ایمیل :
ثبت نظر
 

بزودی آموزش های تصویری مرتبط به هر موضوع تهیه و در سایت قرار داده خواهد شد.

پروژه های مرتبط :
برچسپ ها :

ضایعه MS,تشخیص ضایعه MS,شبیه سازی تشخیص ضایعه MS,پروژه طبقه بندی ضایعه MS,دانلود پروژه تشخیص ضایعه MS,پیاده سازی سازی تشخیص ضایعه MS در متلب,پیاده سازی سازی تشخیص ضایعه MS در matlab,ضایعه MS در تصاویر MRI مغز,تشخیص ضایعه MS در تصاویر MRI مغز,شبیه سازی تشخیص ضایعه MS در تصاویر MRI مغز,پروژه طبقه بندی ضایعه MS در تصاویر MRI مغز,دانلود پروژه تشخیص ضایعه MS در تصاویر MRI مغز,پیاده سازی سازی تشخیص ضایعه MS در تصاویر MRI مغز در متلب,پیاده سازی سازی تشخیص ضایعه MS در تصاویر MRI مغز در matlab,شبیه سازی تشخیص ضایعه MS در تصاویر MRI مغز با CNN,پروژه طبقه بندی ضایعه MS در تصاویر MRI مغز با CNN,دانلود پروژه تشخیص ضایعه MS در تصاویر MRI مغز با CNN,پیاده سازی سازی تشخیص ضایعه MS در تصاویر MRI مغز با CNN در متلب,پیاده سازی سازی تشخیص ضایعه MS در تصاویر MRI مغز با CNN در matlab