DEM , Discrete Element Method, modeling, simulation, PFC3D

فروشگاه جامع دانشجو

بانک مقالات ISI رشته های مختلف

بخش بندی میوکاردیال کنترل نشده برای تصاویر ام آر آی قلبی

بخش بندی میوکاردیال کنترل نشده برای تصاویر ام آر آی قلبی

 

 

 

 

 

 

 

 

 

 

عنوان انگلیسی: 

Unsupervised Myocardial Segmentation for Cardiac MRI

عنوان فارسی:

بخش بندی میوکاردیال کنترل نشده برای تصاویر ام آر آی قلبی

 

 

تعداد صفحات مقاله اصلی: 9 صفحه

تعداد صفحات ترجمه: 15 صفحه

سال انتشار: 2015

مجله

 

Springer International Publishing Switzerland 2015

  1. Navab et al. (Eds.): MICCAI 2015, Part III, LNCS 9351, pp. 12–20, 2015.

DOI: 10.1007/978-3-319-24574-4_2

 

 

  1. Though unsupervised segmentation was a de-facto standard for cardiac MRI segmentation early on, recently cardiac MRI segmentation literature has favored fully supervised techniques such as Dictionary Learning and Atlas-based techniques. But, the benefits of unsupervised techniques e.g., no need for large amount of training data and better potential of handling variability in anatomy and image contrast, is more evident with emerging cardiac MR modalities. For example, CP-BOLD is a new MRI technique that has been shown to detect ischemia without any contrast at stress but also at rest conditions. Although CP-BOLD looks similar to standard CINE, changes in myocardial intensity patterns and shape across cardiac phases, due to the heart’s motion, BOLD eect and artifacts aect the underlying mechanisms of fully supervised segmentation techniques resulting in a significant drop in segmentation accuracy. In this paper, we present a fully unsupervised technique for segmenting myocardium from the background in both standard CINE MR and CP-BOLD MR. We combine appearance with motion information (obtained via Optical Flow) in a dictionary learning framework to sparsely represent important features in a low dimensional space and separate myocardium from background accordingly. Our fully automated method learns background-only models and one class classifier provides myocardial segmentation. The advantages of the proposed technique are demonstrated on a dataset containing CP-BOLD MR and standard CINE MR image sequences acquired in baseline and ischemic condition across 10 canine subjects, where our method outperforms state-of-the-art supervised segmentation techniques in CP-BOLD MR and performs at-par for standard CINE MR.

 

Keywords: Unsupervised Segmentation, Dictionary Learning, BOLD, CINE, MRI.

 

بخش بندی میوکاردیال کنترل نشده برای تصاویر ام آر آی قلبی

چکیده

هرچند که تاکنون بخش بندی کنترل نشده ، یک روش استاندارد بالفعل برای بخش بندی MRI قلبی بود، اخیراً ، تحقیقات صورت گرفته در زمینه بخش بندی MRI قلبی ، گرایش به استفاده از تکنیک های کاملاً کنترل شده مانند تکنیک های یادگیری دیکشنری و مبتنی بر اطلس   دارند.. اما، مزایای تکنیک های کنترل نشده، از قبیل، عدم نیاز به مقدار زیادی از اطلاعات آموزشی و توانایی و استعداد بهتر در زمینه تغییر پذیری جابجایی در  آناتومی وکنتراست تصویر، با ظهور روش های MR قلبی، ملموس تر است. برای مثال، CP-BOLD یک تکنیک MRI جدید است که برای تشخیص ایسکمی (کمبود یا کم رسانی خون به بافت یا اندام) بدون هیچگونه کنتراستی در تنش (استرس)،  البته در شرایط استراحت (آسایش) را نشان داده شده است . اگرچه، CP-BOLD مشابه با CINE استاندارد به نظر می رسد تغییرات موجود در شکل و الگوهای شدت میوکاردیال در کل فازهای قلبی ناشی از حرکت قلب، تاثیر BOLD و تاثیر حرکت مصنوعی مکانیزم های اساسی و اصولی تکنیک های بخش بندی کاملاً کنترل شده، منجر به افت قابل توجهی در دقت بخش بندی می گردند. در این مقاله، یک تکنیک کاملاً کنترل شده را برای بخش بندی میوکاردیال از پس زمینه، در هر دو CINE MR استاندارد و CP-BOLD MR استاندارد ارائه کردیم. ما قسمت ظاهری را با اطلاعات حرکتی (بدست آمده از طریق جریان لیزری)  در یک چهارچوب الگوریتم یادگیری دیکشنری  برای نمایش ویژگی های دارای ارزش و اهمیت کم را   در یک فضای ابعادی پایین ترکیب کردیم و از این طریق، میوکاردیوم را از پس زمینه تفکیک کردیم. روش کاملاً اتوماتیک ما تنها مدل های پس زمینه را یاد می گیرد و یک طبقه بند(کلاسیفایر) کلاس، بخش بندی میوکاردیال را فراهم می کند. مزایای تکنیک پیشنهادی بر روی یک مجموعه داده ی حاوی دنباله ای  از تصاویر گرفته شده از طریق CP-BOLD MR و CINE MR استاندارد در شرایط ابتدایی و ایسکمیک در میان 10 اشخاص کانینی نشان دادندکه روش ما بهتر از پیشرفته ترین تکنیک بخش بندی کنترل شده استاندارد CP-BOLD MR و هم تراز با استاندارد CINE MR است.

 

کلمات کلیدی : بخش بندی کنترل نشده، یادگیری دیکشنری، BOLD ، CINE ، MRI.

فهرست مطالب

چکیده. 1

1-مقدمه. 2

2-پیشینه تحقیق.. 4

3- روش... 6

بخش بندی درشت (بزرگ) مبتنی بر جریان نوری (لیزری). 6

یادگیری دیکشنری پس زمینه. 6

ماشین برداری پشتیبان (SVM) درجه یک  برای بخش بندی.. 7

4- نتایج.. 10

آماده سازی اطلاعات و تنظیم پارامترها. 10

مقایسه کمیتی (کمی). 11

تجزیه و تحلیل های کیفی.. 12

5- بحث و نتیجه گیری.. 14

 


اشتراک بگذارید:


پرداخت اینترنتی - دانلود سریع - اطمینان از خرید

پرداخت هزینه و دریافت فایل

مبلغ قابل پرداخت 10,000 تومان
کدتخفیف:

درصورتیکه برای خرید اینترنتی نیاز به راهنمایی دارید اینجا کلیک کنید


فایل هایی که پس از پرداخت می توانید دانلود کنید

نام فایلحجم فایل
unsupervised-Myocardial-segmentation-for-cardiac-M_688443_9639.zip873.6k





بخش بندی سریع، دقیق و کاملاً اتوماتیک بطن راست در تصاویر ام آر آی (MRI) قلبی محورکوتاه

بخش بندی سریع، دقیق و کاملاً اتوماتیک بطن راست در تصاویر ام آر آی (MRI) قلبی محورکوتاه                       عنوان انگلیسی:    Fast, accurate, and fully automatic segmentation of the right ventricle in short-axis cardiac MRI عنوان فارسی: بخش بندی سریع، دقیق و کاملاً اتوماتیک بطن راست در تصاویر ام آر آی (MRI) قلبی محورکوتاه     تعداد صفحات مقاله اصلی: 12 صفحه تعداد صفحات ترجمه: 39 صفحه سال انتشار: ...

توضیحات بیشتر - دانلود 15,000 تومان

مدل شکل فعال برای تقسیم بندی بطن سمت چپ با استفاده از بررسی قابلیت تغییرپذیری برش در توده های ام آر آی قلب

مدل شکل فعال برای تقسیم بندی  بطن سمت چپ با استفاده از بررسی قابلیت تغییرپذیری برش در توده های ام آر آی قلب                   عنوان انگلیسی:    A new ASM framework for left ventricle segmentation exploring slice variability in cardiac MRI volumes عنوان فارسی: رویکردی جدید از مدل شکل فعال برای تقسیم بندی (بخش بندی) بطن سمت چپ با استفاده از بررسی قابلیت تغییرپذیری برش در توده های ام آر آی قلب     تعداد صفحات مقاله اصلی: 12 صفحه تع ...

توضیحات بیشتر - دانلود 12,000 تومان