پاورپوینت تجزیه تنسور برای تقسیم بندی تصویر رنگی زخم سوختگی

بخشی از پاورپوینت

اسلاید 1 :

به نام خدا

مبحث:تجزیه تنسور برای تقسیم بندی تصویر رنگی زخم سوختگی

اسلاید 2 :

تحقیقات در مورد سوختگی در چند دهه گذشته به عنوان یک تقاضای مداوم بوده است.هنوز پیشرفت های مهمی برای تسهیل ثبات موثرتر بیمار و کاهش میزان مرگ و میر لازم است. ارزیابی زخم سوختگی ، که وظیفه مهمی برای مدیریت جراحی است ، تا حد زیادی به دقت منطقه سوختگی و برآورد عمق سوختگی بستگی دارد. کمی سازی خودکار این پارامترهای سوختگی نقشی اساسی در کاهش این خطاهای تخمینی دارد که به طور معمول توسط پزشکان انجام می شود.

وظیفه محاسبه خودکار منطقه سوختگی به عنوان تقسیم تصویر شناخته می شود. در این مقاله ، یک روش تقسیم بندی جدید برای تصاویر زخم سوختگی ارائه شده است. روش های پیشنهادی از روشی برای تجزیه تنسور تصاویر رنگی استفاده می کند که براساس آن می توان ویژگی های بافتی موثررا برای طبقه بندی استخراج کرد. نتایج تجربی نشان داد که روش پیشنهادی نه تنها از نظر دقت تقسیم بندی بلکه از نظر سرعت محاسباتی نیز از سایر روش ها بهتر عمل می کند.

اسلاید 3 :

سوختگی از جمله تهدیدکننده ترین خطر برای جان از آسیب های تروماتیک است.سوختگی شدید با توجه به تأثیر قابل توجه اقتصادی-بهداشتی ، یک بحران عمده برای سلامت جامعه به حساب می آید ، زیرا می تواند از طریق :
عفونت
سپسیس
نارسایی عضو و مرگ
که در آن میزان مرگ و میر بین 1.4٪ تا 8/1%(حداکثر 34٪) گزارش شده است ، باعث مرگ و میر قابل توجهی شود.

اسلاید 4 :

سازمان بهداشت جهانی دستورالعمل هایی را برای درمان سوختگی در نظر گرفته است که حداقل باید برای هر 500،000 نفر یک تخت در واحد سوختگی وجود داشته باشد یک واحد سوختگی منطقه جغرافیایی وسیعی را در بر می گیرد و بیمار سوخته معمولاً توسط کارشناسان غیر تخصصی سوختگی تشخیص داده می شود. به عنوان مثال ، در سوئد ، فقط دو مرکز سوختگی در کل کشور وجود دارد: یکی در Linköping و دیگری در اوپسالا واقع شده است.

اسلاید 5 :

سوختگی های درجه 1
ضخامت جزئی سطحی
ضخامت جزئی عمیق
ضخامت کامل

هنگام محاسبه درصد کل سطح بدن%TBSA سوخته، فقط سوختگی های ضخامت جزئی سطحی و عمیق تر در محاسبه منطقه شامل می شوند ، در حالی که سوختگی های درجه 1 (با اپیدرم سالم) از مطالعه خارج می شوند. برای ارائه درمان مناسب بالینی برای بیمار سوختگی ، باید٪ TBSA سوختگی محاسبه شود زیرا احیای اولیه مایعات را حکم می کند. TBSA واقعی نیز برای برنامه ریزی های بعدی جراحی و تخمین میزان مرگ و میر با استفاده از نمره تجدید نظر شده Baux مفید است که ثابت شده پیش بینی کننده قابل اعتمادی برای مرگ و میر و حتی بیماری است حتی اگر٪ TBSA استفاده شده از طریق بالینی تخمین زده شود. با توجه به امکانات محدود درمان سوختگی در یک محیط بزرگ جغرافیایی ، به ویژه در کشورهای با درآمد متوسط و کم ، و اهمیت محاسبه منطقه سوختگی ، تقاضا برای توسعه روش های خودکار برای ارزیابی دقیق و ارزیابی عینی پارامترهای سوختگی به طور فزاینده ای در تحقیقات سوختگی تحقق یافته است .
سوختگی ها بر اساس عمق به چندین نوع طبقه بندی می شوند:

اسلاید 6 :

تقسیم بندی یکی از زمینه های اصلی تحقیق در پردازش تصویر و بینایی رایانه است. هدف از تقسیم بندی تصویر استخراج منطقه مورد نظر در یک تصویر است که شامل پس زمینه و سایر اشیا غیر مورد نظر است. بسیاری از تکنیک های مختلف برای انجام تقسیم بندی وجود دارد ، مانند تشخیص لبه ، آستانه هیستوگرام ، رشد منطقه ، خطوط فعال یا الگوریتم مار ، خوشه بندی و روش های مبتنی بر یادگیری ماشین ، همانطور که بررسی شده است ، که ویژگی هایی را که توصیف می کنند استخراج می کند مانند: تشعشع ، درخشندگی ، رنگ ، بافت و شکل . ترکیبی از این خصوصیات ، در صورت لزوم ، انتظار می رود نتایج تقسیم بندی بهتری نسبت به خصوصیاتی که فقط از یک یا چند مورد استفاده می کنند

اسلاید 7 :

دنگ و Manjunath روش JSEG را ارائه دادند که فرایند تقسیم بندی را به دو مرحله تقسیم می کند: کمی سازی رنگ و تقسیم بندی فضایی.

Cucchiara و همکاران یک روش جداسازی برای استخراج ضایعات پوستی بر اساس نسخه بازگشتی الگوریتم فازی

c-means (FCM)برای هیستوگرام های رنگی 2 بعدی ساخته شده توسط تجزیه و تحلیل مولفه اصلی (pca)ازفضای رنگی CIELab ایجاد کردند.

Gomez و همکاران الگوریتمی را بر اساس فضای رنگی CIELab و پیگیری مستقل هیستوگرام (IHP)برای تقسیم بندی تصاویر ضایعات پوستی ایجاد کردند IHP. توسط 2 مرحله تشکیل شده است: اولاً ، الگوریتم ترکیبی از باندهای طیفی را پیدا می کند که باعث تقارن بین پوست سالم و ضایعه می شود. ثانیاً ، ترکیبات باقیمانده را که ساختارهای ظریف تصویر را بهبود می بخشند ، تخمین می زند. طبقه بندی با استفاده از تجزیه و تحلیل خوشه k-means انجام می شود تا ضایعه پوستی روی تصویر مشخص شود.

اسلاید 8 :

Papazoglou و همکاران الگوریتمی برای تقسیم بندی زخم پیشنهاد کردند که نیاز به ورودی دستی دارد ، از ترکیب فضای رنگی RGB و CIELab و همچنین ترکیبی از روش تقسیم بندی رنگی آستانه و پیکسلی استفاده می کند 

Cavalcantiو همکاران برای تعیین محل ضایعات پوستی در تصویر و جدا کردن آن از پوست سالم ، از تجزیه و تحلیل مولفه های مستقل (ICA) استفاده کردند.

Wantanajittikul و همکاران با استفاده از مقادیر Cr فضای رنگی YCbCr برای شناسایی پوست از پس زمینه در مرحله اول ، در مرحله دوم مجموعه های رنگی u * و v * از فضای رنگی CIELuv برای گرفتن منطقه سوخته استفاده شد و در نهایت ، از FCM برای جدا کردن ناحیه زخم سوختگی از پوست سالم استفاده شد.

Loizou و همکاران الگوریتم مار را برای تقسیم تصویر برای استخراج بافت و ویژگی های هندسی برای ارزیابی روند بهبود زخم استفاده کردند.

اسلاید 9 :

اخلاق: این مطالعه توسط کمیته اخلاق منطقه ای در Linköping ، (DNr2012/31/31) تأیید شد و با رعایت "اصول اخلاقی تحقیقات پزشکی شامل افراد انسانی" اعلامیه هلسینکی انجام شد. از نگهبانان افراد تحقیق برای این مطالعه ، كه در كودكان انجام شد ، فرم رضایت نامه ای برای توصیف این مطالعه و ارائه اطلاعات كافی برای آزمودنی ها جهت تصمیم گیری آگاهانه درباره مشاركت فرزندشان در این مطالعه ارائه شد. فرم رضایت توسط کمیته اخلاق منطقه ای در Linköping برای مطالعه تأیید شد. قبل از اینکه موضوعی تحت هر رویه مطالعه قرار گیرد ، بحث رضایت آگاهانه انجام و رضایت نامه کتبی آگاهانه از سرپرستان قانونی که در این ملاقات شرکت می کنند ، گرفته شد.
موارد پیشنهادی :

اسلاید 10 :

اکتساب داده ها : تمام تصاویر RGB از بیماران سوختگی در مرکز سوختگی بیمارستان دانشگاه Linköping ، Linköping ، سوئد بدست آمده است. تصاویر با فرمت JPEG با استفاده از دوربین تلفن هوشمند Oneplus2 گرفته شده است: 13 مگاپیکسل ، 6 لنز برای جلوگیری از تحریف و انحراف رنگ ، OIS ، تمرکز لیزری ، فلاش Dual-LED و دیافراگم f / 2.0 .دوربین بدون استفاده از فلاش تقریباً 30-50 سانتی متر از محل سوختگی قرار داشت. علاوه بر این ، بیماران در بستری که توسط یک ورق سبز پوشانده شده بود قرار گرفتند.

اسلاید 11 :

مدل رنگی: اجزای سبز و آبی با مقادیر منفی a* و b * CIELab نشان داده می شوند ، در حالی که پوست و زخم سوختگی با مقادیر مثبت نشان داده می شوند. هدف از یک مدل رنگی تسهیل مشخصات رنگ ها به روشی استاندارد و عمومی پذیرفته شده است. در اصل ، یک مدل رنگ ، مشخصات یک سیستم مختصات و یک زیر فضایی در آن سیستم است ، جایی که هر رنگ با یک نقطه واحد نشان داده می شود.

چندین مدل رنگی برای عملکردهای مختلف وجود دارد (i)مدل RGB ، (ii) مدل های CMY و CMYK ، (iii) مدل HSI که مولفه شدت را از اطلاعات حامل رنگ (رنگ و اشباع) جدا می کند. ، (IV) YCbCr ، CIELab ، CIELuv و CIELch ، که در آن اجزای آنها جداگانه میزان درخشندگی تصویر و رنگی را نشان می دهند.مدل رنگی CIELab کاملترین مدل تعیین شده توسط کمیسیون بین المللی در مورد روشنایی است. CIELab درخشندگی و اطلاعات رنگی یک تصویر را با استفاده از سه مختصات استخراج می کند

اسلاید 12 :

مختصات: L (L*=0 encloses black and L*=100 encloses white)

درخشندگی را توصیف میکند a* و b * : مختصاتی که نشان دهنده رنگهای خالص از سبز تا قرمز است

(a* = −127 encloses green, a* = +128 yields red)

آبی به زرد : (b* = −127 encloses blue, b* = +128 encloses yellow)

بدین ترتیب ، ویژگی مهم دیگر این مدل یکنواختی آن است ، جایی که فاصله بین دو رنگ متفاوت با رنگ اقلیدسی مطابقت دارد و همزمان با تفاوت ادراکی تشخیص داده شده توسط سیستم بینایی انسان است. به همین دلیل ، در این مطالعه مدل رنگی CIELab انتخاب شد.

بعلاوه ، تصاویر L * ، a * و b * با فیلترهای گاوسی در دامنه فرکانس با استفاده از عملکرد فیلتر کم گذر Gauss فیلتر شدند. بهترین فرکانس قطع فیلترها ، σ0 ، که 99٪ از توان برق تبدیل فوریه گسسته صفر پر شده از مختصات CIELab را با روش تقسیم برآورد می کند.

اسلاید 13 :

تجزیه تنسور: تنسور یک نظم چند بعدی است. به طور رسمی تر ، یک تانسور نوع N یا مرتبه N عنصری از محصول تانسور فضاهای بردار N است که هر کدام از آنها سیستم مختصات خاص خود را دارند. دو روش اصلی برای تجزیه تنسور وجود دارد
CANDECOMP / PARAFAC
تجزیه تنسور تاکر(Tucker tensor decomposition)
تجزیه تنسور تاکر و CANDECOMP / PARAFAC یک تنسور را در مجموع اجزای رتبه یک فاکتور می کند
به عنوان مثال ، یک تانسور مرتبه سوم به صورت زیر تجزیه می شود :

اسلاید 14 :

که در آن E و e(I,j,k) نشان دهنده سر و صدا یا خطا است ، R ∈ N تعداد اجزای درجه یک را نشان میدهد تانسور X را تجزیه میکند ،
بردارهای درجه یک هستند که به ترتیب ماتریس های عامل
را تشکیل می دهند و علامت حامل محصولات بیرونی است.
اغلب فرض می شود که ستون های ماتریس فاکتور به طول یک با وزن جذب شده به یک بردار :

اسلاید 15 :

جایگاهΛ =نمودار ، نماد محصول حالت n را بین تانسور هسته و ماتریس های عامل نشان می دهد،از طرف دیگر تجزیه تاکر یک تنسور X را به یک تنسور هسته G تجزیه می کند (در طول هر حالت ضرب شده یا تبدیل می شود) با یک ماتریس. به عنوان مثال ، تانسور مرتبه سوم :

اسلاید 16 :

جایی که تانسور اصلی است ، در حالی که
و ماتریس های عاملی هستند که به عنوان مولفه های اصلی در هر حالت در نظر گرفته می شوند. معادله (4) می تواند از نظر عناصر به صورت بالا(اسلاید) نوشته شود.

i = … 1, , I, j = … 1, , J, k = … 1, , K, p = … 1, , P, q Q = … 1, , and r R = … 1

هر دو تجزیه شکلی از تجزیه و تحلیل مولفه های اصلی مرتبه بالاتر هستند. معادله (3) تجزیه را به عنوان یک محصول چند خطی از ماتریسهای تنسور اصلی و فاکتور نشان می دهد و اغلب در پردازش سیگنال استفاده می شود. معادله (4) تنسور اصلی را با بعد متفاوت برای هر حالت ایجاد می کند و اغلب برای فشرده سازی داده ها استفاده می شود. به منظور فشرده سازی داده ها در این مطالعه ، تجزیه تاکر ، معروف به مدل Tucker3،، به CP ترجیح داده می شود. یک تصویر RGB میتواند
به فضای CIELAB تبدیل شود و میتواند به صورت تنسور بیان شود

اسلاید 17 :

جایی که I ، J و K تعداد ترازهای خاکستری در L* a * و b * است.به ترتیب تصویر شکل 1 به صورت گرافیکی تجزیه تاکر از سنسور CIELab را نشان می دهد.

اسلاید 18 :

Figure 1. Graphical representation of the third-order CIELab tensor X and its Tucker decomposition
جایی که در آن X تانسور رنگی CIELab است ، Y تانسور برای برآورد است ، E خطای تانسور است ، U1 ، U2 و U3 ماتریس های فاکتور به ترتیب از حالت a * ، b * و L * سنسور X محاسبه می شوند ، در حالی که i ، j و k مختصات X و p ، q و r تانسور اصلی G هستند. تنظیم ρ( i, j,k) به عنوان ماژول برداری CIELab با مختصات (I,j,k)، دو حسگر Xd و Xs به منظور مخلوط کردن درخشندگی و رنگ تصویر به شرح

اسلاید 19 :

زیر ساخته شده است :
جایی که و .
سنسورهای و در معادلات (9) و (10) ، به ترتیب متناسب با درخشندگی حاوی مقادیر نرمال شده جمع و اختلاف مجموعه های رنگی هستند. مقادیر تنظیم شده روی روی 0 نشانگر زمینه است: مقادیر منفی a * و b * به ترتیب مربوط به اجزای سبز و آبی است. در حالی که مناطق تاریکی را تعریف می کند که یک پارامتر است که خودسرانه انتخاب شده است ، در این مطالعه . 10

اسلاید 20 :

مرتبه تنسور : بگذارید X یک تنسور مرتبه N با اندازه

سپس n-n تنسور (the n-rank of the tensor X) X

بعد فضای بردار است که توسط الیاف mode-n پوشانده شده است

Bro و همکاران برای تخمین تعداد مطلوب تنسور درجه یک ، که ماتریس های فاکتور تجزیه CP را تولید می کند ، تکنیکی به نام تشخیص ثبات هسته ای (CORCONDIA) را ایجاد کردند. متأسفانه ، یک الگوریتم واحد برای تجزیه تاکر وجود ندارد ، بنابراین ابعاد هسته اصلی باید با یک انتخاب منطقی تصمیم گیری شود.