بخشی از مقاله
چکیده:
تصویر برداری پزشکی پیشرفته به ذخیره سازی مقادیر زیاد داده کلینیکی دیجیتالی شده نیاز دارد. تصاویر پزشکی به دلیل پهنای باند و محدودیت های ذخیره سازی قبل از ارسال و ذخیره سازی بایستی فشرده شوند . تشخیص تنها در زمانی موثر می باشد که تکنیک های فشرده سازی در واقع کل اطلاعات تصویر مهم و مرتبط مورد نیاز را حفظ می کنند . اساسا دو نوع فشرده سازی تصویر وجود دارند : فشرده سازی پر اتلاف - اطلاعات و تصویر آسیب می بییند - و فشرده سازی بدون اتلاف . کدگذاری بدون اتلاف اجازه نسبت های فشرده سازی بالا را نمی دهد جایی که وقتی فشرده سازی پر اتلاف به نسبت فشرده سازی سه بعدی بالا می رسد.
کد گذار تبدیل در میان طرح های فشرده سازی پر اتلاف موجود در واقع یکی از موثر ترین راهبرد ها می باشد . بازنگری در مقاله جاری در مورد تکنیک های فشرده سازی مختلف در مورد تصاویر پزشکی مبتنی بر تبدیل ها شبیه تبدیل کسینوس گسسته - DCT - ، تبدیل موجک گسسته - DWT - ، DCT-DWT هیبریدی و تبدیل موجک صورت گرفته بود. و مقاله بازنگری کرده است که تبدیل موجک نسبت به دیگر تبدیل ها بر حسب PStNR دارای برتری عملکردی کلی می باشد.
-1مقدمه
پیشرفت فناوری اطلاعات دلالت بر زمینهی پزشکی برای تشخیص بیماری جدی پزشکی مانند ضربهی مغزی، سرطان شش و بخش داخلی بدن از طریق پردازش ت صویر دا شت. فرایند ت شخیص پز شکی، میزان زیادی ت صویر پز شکی تولید میکند مانند CT، MRI، و ت صویر 1] ECG، .[2 اندازهی این ت صاویر ب سیار بزرگ ا ست و مقداری زیادی از ف ضای حافظه و پهنای باند را برای انتقال تصاویر پزشکی اتخاذ میکند. برای کاهش فضای حافظه و فرایند پهنای باند موثر، ما از تکنیک فشردهسازی تصویر استفاده کردیم. فشردگی تصویر، مجموعهی تکنیکهای فشردهسازی با اتلاف و تکنیکهای فشردهسازی بدون اتلاف است .[3] دادههای ت صاویر پز شکی، دادههای ارز شمندی ه ستند و اکنون تکنیک ف شرده سازی بدون اتلاف ت صویر [8] اجرا می شود.
چندین الگوریتم فشردهسازی بدون اتلاف تصویر وجود دارند مانند JPEG، JPEG 2000، PNG، CALIC و .JPEG LS JPEG-LS دارای رمزنگاری عالی و بهترین کارایی ف شرده سازی ممکن ا ست 4]، 5، .[6 یک ویدئوی دیجیتال قبل از این که در نهایت به کاربر پایانی برسد از مراحل پردازش بیشماری عبور میکند. دنبالهی ویدئوی اصلی در انتهای فرستنده از یک رمزگذار عبور میکند که دنبالهی ویدئو را فشردهسازی و بازسازی میکند، که سپس، در طی یک کانال عبور میکند .[9 ] در انتهای دریافت کننده، یک رمزگشا، دنباله را در یک فرمت قابل مشاهده برای کاربر پایانی از حالت فشرده خارج میکند. فشرده سازی بدون اتلاف [18] شامل تبدیل کسیونسی گسسته،ٌ فشرده سازی موجک، فشرده سازی فراکتال، کوانتیزاسیون برداری، و رمزگذاری پیشبینی کنندهی خطی است.
طرحوارههای فشردهسازی بدون اتلاف تصویر اغلب متشکل از دو مولفهی متمایز و مستقل است که مدلبندی و رمزگذاری میشوند .[10] مدلبندی، یک مدل آماری را برای دادههای ورودی تولید میکند. رمزگذاری، دادههای ورودی را در رشتههای بیت مینگارد. تبدیل موجک - WT - ، کوانتیزاسیون برداری - VQ - ، شبکهی عصبی - NN - و رویکردهای رمزگذاری مختلفی به طور کلی علاوه بر رویکردهای بیشمار دیگر در فشردهسازی تصویر استفاده میشوند .[11] مسالهی مربوط به روش فشردهسازی بدون اتلاف این است که نسبت فشردهسازی بسیار پایین است؛ در حالی که در روش فشردهسازی با اتلاف، نسبت فشردهسازی بسیار بالا است اما کیفیت تص.یر از دست میرود.
فشردهسازی پیوندی تصویر، سیستمهای فشردهسازی مختلف مانند PVQ و DCTVQ را در یک فشردهسازی منفرد تصویر ادغام میکند. فشرده سازی تصویر، یک فرایند رمزگذاری موثر تصویر دیجیتال برای کاهش تعداد بیتهای مورد نیاز در نمایش تصویر است 12]، .[13 هدف آن، کاهش فضای ذخیرهسازی و هزینهی انتقال و در عین حال حفظ کیفیت خوب است. در این مقاله، رویکرد نوینی برای تکنیک ف شرده سازی ت صویر پز شکی با ا ستفاده از پارامتر مرجع ساختار برای فرایند بهینه سازی قاب زائد ارائه شد.
قابهای ساختار زائدٍ، توسط تکنیک بهینهسازی ازدحام ذرات جمعاوری میشوند. تکنیک بهینهسازی ازدحام ذرات، یک تابع بیولوژیکی مبتنی بر گلهی پرندگان است که تابع، تخمین بیت اضافی ساختار برای فشردهسازی است. ساختار بلوک تصویر، عبورهای از طریق ماتریس کد HCC است و تصویر در نهایت فشرده میشود6 ] و.[5 بخش بالا به بحث معرفی تکنیک ف شرده سازی ت صویر پز شکی میپردازد. ما تابع تبدیل موجک صحیح، بهینه سازی ازدحام گربه ها، و ارجاع - یا مرجع - ساختارَ را توصیف میکنیم. درادامه الگوریتم ارائه میشود. در گام بعد تجزیه و تحلیل نتایج تجربی را بحث میکنیم. در نهایت، نتیجهگیری را مشاهده خواهیم کرد.
-2اهداف تحقیق
-1کلاس بندی تصاویر سه بعدی و تشخیص آن ها
2 -بازیابی تصویر
-3تقسیم بندی تصویر
-4 اندازه گیری الگو و مقایسه با سایر روش ها
-3 سوابق تحقیق
اولین فشرده سازی تصاویر در پزشکی در سال 1960 معرفی شد ، که متاسفانه تا پایان سال 1990 بخوبی بکارگرفته نشد . پیشرفت های اخیر در قابلیت پردازش تصویر تمایل بیشتری را در فشرده سازی ترویج داده است. فشرده سازی یکی از اهداف این تکنولوژی است . در آغاز ، یک تصویر مادون قرمز از اطراف شکل مورد نظر مانند قلب، چشم، مغز و..گرفته شدهو در ادامه بر اساس هدف مورد نظر تشخیص دهد . پزشکان بیماران را براساس نتایج حاصل از این تصاویر طبقه بندی می کنند . به علت خطاهای پزشکان در بررسی و تجزیه و تحلیل این تصاویر ، ماهیت وقت گیر این فرآیند ، و خستگی پزشکان ، این روش درمان در مناطق پرجمعیت قابل اجرا نیست .
پارامتر مهم دیگر در فشرده سازی تصاویر سه بعدی در تصویربرداری مادون قرمز برر سی عدم تقارن ا ست اما ، به علت کیفیت پایین و ضوح ت صاویر گرفته شده با اولین دوربین ت صویربرداری مادون قرمز ، در آغاز ا ستفاده از ت صویر برداری مادون قرمز ، این پارامتر در ف شرده سازی ت صاویر سه بعدی گرفته شده بکار گرفته نمی شد . دومین مشکل اولین تحقیقات انجام شده در این زمینه ، دقت پایین مرحله تقسیم بندی در تشخیص تصاویر بود . سابقا ، نقاط با دمای بالا در تصاویر مادون قرمز با استفاده از نرم افزار هوشمند تشخیص داده می شدند . اما در این نرم افزار ، طبقه بندی تنها براساس تفکیک تمام نقاط با درجه بالا از تصاویر مادون قرمز انجام می شود .
اگرچه همه نقاط با دمای بالا از تصویر استخراج شده و مشکل اصلی این سیستم بودند و هنوز هم پزشکان برای تشخیص بخش های سه بعدی به نقاط با درجه حرارت بالا نیاز دارند . به عبارت دیگر ، سیستم فقط نقاط با درجه حرارت بالا را درکل سیستم جدا می کند . در دیگر بررسی ها که قبلا انجام شده ، تصاویر مادون قرمز تنها براساس ویژگی های حرارتی از پیکسل های تصویر تجزیه و تحلیل می شوند و این تنها ویژگی در ت شخیص و ف شرده سازی ت صاویر سه بعدی ا ست . به عبارت دیگر ، ویژگی عدم تقارن حرارتی پیک سل ها مورد استفاده قرار می گیرد . در این روش ، بخش های مختلف از تصویر استخراج می شوند . تفاوت بین این روش و روش هایی که قبلا توضیح داده شده بار پردازشی بالاتر بود .
