Τμηματοποίηση ιατρικών δεδομένων με χρήση ιατρικών περιγραμμάτων
Στην παρούσα διπλωματική εργασία ο σκοπός είναι η τμηματοποίηση ιατρικών δεδομένων (εικόνων DICOM) με τη μέθοδο των ενεργών περιγραμμάτων. Η μέθοδος αυτή αποτελεί καλύτερη λύση σε σχέση με άλλους αλγορίθμους τμηματοποίησης (π.χ. ανίχνευση ακμών, κατωφλίωση, watershed, τμηματοποί...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Μορφή: | Thesis |
Γλώσσα: | Greek |
Έκδοση: |
2016
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/8985 |
id |
nemertes-10889-8985 |
---|---|
record_format |
dspace |
spelling |
nemertes-10889-89852022-09-05T13:57:22Z Τμηματοποίηση ιατρικών δεδομένων με χρήση ιατρικών περιγραμμάτων Medical data segmentation using active contours Αντωνιάδης, Ηλίας Ματσόπουλος, Γεώργιος Ματσόπουλος, Γεώργιος Κουτσούρης, Δημήτριος Ουζούνογλου, Νικόλαος Antoniadis, Ilias Τμηματοποίηση Ιατρικά δεδομένα Συναρτησοειδές ενέργειας Ενεργά περιγράμματα Υπολογιστική τομογραφία κωνικής δέσμης Segmentation Medical data Energy functionals Active contours Cone beam computed tomography (CBCT) 610.285 64 Στην παρούσα διπλωματική εργασία ο σκοπός είναι η τμηματοποίηση ιατρικών δεδομένων (εικόνων DICOM) με τη μέθοδο των ενεργών περιγραμμάτων. Η μέθοδος αυτή αποτελεί καλύτερη λύση σε σχέση με άλλους αλγορίθμους τμηματοποίησης (π.χ. ανίχνευση ακμών, κατωφλίωση, watershed, τμηματοποίηση με υφή). Η μέθοδος που εφαρμόζεται στη πλαίσιο της διπλωματικής αυτής εργασίας, εφαρμόζεται σε οδοντιατρικά δεδομένα, που απαιτούν συνδυασμό τεχνικών, καθώς αποτελούν “δύσβατη” περιοχή ανάλυσης. Για το λόγο αυτό, συνδυάζονται αλγόριθμοι επεξεργασίας ιατρικών εικόνων εφαρμόζοντας επιπλέον και κατάτμηση με χρήση ενεργών περιγραμμάτων, δίνοντας έτσι ένα σχετικά βέλτιστο αποτέλεσμα. Η ακολουθία των βημάτων που ορίστηκε με σκοπό την τμηματοποίηση των ιατρικών δεδομένων, ξεκινάει ουσιαστικά με ενίσχυση της αντίθεσης της εκάστοτε εικόνας. Η μορφολογική αυτή επεξεργασία υλοποιείται με την εφαρμογής των Top hat και Bottom hat μετασχηματισμών. Στη συνέχεια εφαρμόζεται ομαλοποίηση, ή αλλιώς εξομάλυνση της εικόνας, όπου πρακτικά απομακρύνονται ανεπιθύμητες περιοχές, ή αλλιώς θόρυβος, με αποτέλεσμα να είναι δυνατή η εφαρμογή των επόμενων μεθόδων με μεγαλύτερη αποτελεσματικότητα. Με την κατωφλίωση που ακολουθεί, βρίσκεται η δυαδική εικόνα που θα χρησιμοποιηθεί στη συνέχεια. Η εικόνα αυτή βρίσκεται χρησιμοποιόντας κάθε φορά διαφορετική τιμή για τη μεταβλητή του κατωφλίου, καθώς κάθε εικόνα έχει διαφορετική φωτεινότητα και κάθε περιοχή ενδιαφέροντος έχει διαφορετική ποσότητα ενωμένων συνιστωσών (connected components). Στη συνέχεια εφαρμόζεται ανίχνευση ακμών, με τη μέθοδο Canny, και έπειτα απομονώνεται η μεγαλύτερη συνιστώσα. Ως αποτέλεσμα, έχει απομείνει μόνο η περιοχή ενδιαφέροντος προς τελική επεξεργασία. Ο μετασχηματισμός απόστασης, που βρίσκεται στη συνέχεια, αποτελεί το στάδιο πριν την τελική επεξεργασία που αφορά την εφαρμογή των ενεργών περιγραμμάτων με στόχο την τμηματοποίηση The purpose of this master thesis is the segmentation of medical data (images) using active contours. This method is better solution than other segmentation algorithms (e.g edge detection, thresholding, watershed, texture segmentation). The method applied in the context of this thesis is applied to dental data, which combine other techniques as the aforementioned data are "rough" analysis area. Therefore, other medical image processing algorithms are combined with active contours segmentation, providing, thus, relatively optimal results. The sequence of the steps defined for the segmentation of our medical data, begins substantially applying a contrast enhancement to the image. The respective morphological processing is implemented with the application of Top hat and Bottom hat transformations. Then, a normalization applied, or otherwise smoothing, wherein practically, unwanted areas were eliminated (noise elimination), which makes it possible to apply the following methods with greater effectiveness. The thresholding stage is following, and the binary image is created. This image uses each time a different value for the threshold variable, as each image has a different brightness value and each area of interest has a different amount of the connected components. Then, we apply the edge detection filter (Canny method), and the largest component is isolated next. As a result, there is only the area of interest needed for the final processing. The distance transformation is calculated and used as argument for the final functions that implements the active contour segmentation 2016-01-07T06:49:05Z 2016-01-07T06:49:05Z 2015-07 Thesis http://hdl.handle.net/10889/8985 gr 0 application/pdf |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Τμηματοποίηση Ιατρικά δεδομένα Συναρτησοειδές ενέργειας Ενεργά περιγράμματα Υπολογιστική τομογραφία κωνικής δέσμης Segmentation Medical data Energy functionals Active contours Cone beam computed tomography (CBCT) 610.285 64 |
spellingShingle |
Τμηματοποίηση Ιατρικά δεδομένα Συναρτησοειδές ενέργειας Ενεργά περιγράμματα Υπολογιστική τομογραφία κωνικής δέσμης Segmentation Medical data Energy functionals Active contours Cone beam computed tomography (CBCT) 610.285 64 Αντωνιάδης, Ηλίας Τμηματοποίηση ιατρικών δεδομένων με χρήση ιατρικών περιγραμμάτων |
description |
Στην παρούσα διπλωματική εργασία ο σκοπός είναι η τμηματοποίηση ιατρικών δεδομένων (εικόνων DICOM) με τη μέθοδο των ενεργών περιγραμμάτων. Η μέθοδος αυτή αποτελεί καλύτερη λύση σε σχέση με άλλους αλγορίθμους τμηματοποίησης (π.χ. ανίχνευση ακμών, κατωφλίωση, watershed, τμηματοποίηση με υφή). Η μέθοδος που εφαρμόζεται στη πλαίσιο της διπλωματικής αυτής εργασίας, εφαρμόζεται σε οδοντιατρικά δεδομένα, που απαιτούν συνδυασμό τεχνικών, καθώς αποτελούν “δύσβατη” περιοχή ανάλυσης. Για το λόγο αυτό, συνδυάζονται αλγόριθμοι επεξεργασίας ιατρικών εικόνων εφαρμόζοντας επιπλέον και κατάτμηση με χρήση ενεργών περιγραμμάτων, δίνοντας έτσι ένα σχετικά βέλτιστο αποτέλεσμα. Η ακολουθία των βημάτων που ορίστηκε με σκοπό την τμηματοποίηση των ιατρικών δεδομένων, ξεκινάει ουσιαστικά με ενίσχυση της αντίθεσης της εκάστοτε εικόνας. Η μορφολογική αυτή επεξεργασία υλοποιείται με την εφαρμογής των Top hat και Bottom hat μετασχηματισμών. Στη συνέχεια εφαρμόζεται ομαλοποίηση, ή αλλιώς εξομάλυνση της εικόνας, όπου πρακτικά απομακρύνονται ανεπιθύμητες περιοχές, ή αλλιώς θόρυβος, με αποτέλεσμα να είναι δυνατή η εφαρμογή των επόμενων μεθόδων με μεγαλύτερη αποτελεσματικότητα. Με την κατωφλίωση που ακολουθεί, βρίσκεται η δυαδική εικόνα που θα χρησιμοποιηθεί στη συνέχεια. Η εικόνα αυτή βρίσκεται χρησιμοποιόντας κάθε φορά διαφορετική τιμή για τη μεταβλητή του κατωφλίου, καθώς κάθε εικόνα έχει διαφορετική φωτεινότητα και κάθε περιοχή ενδιαφέροντος έχει διαφορετική ποσότητα ενωμένων συνιστωσών (connected components). Στη συνέχεια εφαρμόζεται ανίχνευση ακμών, με τη μέθοδο Canny, και έπειτα απομονώνεται η μεγαλύτερη συνιστώσα. Ως αποτέλεσμα, έχει απομείνει μόνο η περιοχή ενδιαφέροντος προς τελική επεξεργασία. Ο μετασχηματισμός απόστασης, που βρίσκεται στη συνέχεια, αποτελεί το στάδιο πριν την τελική επεξεργασία που αφορά την εφαρμογή των ενεργών περιγραμμάτων με στόχο την τμηματοποίηση |
author2 |
Ματσόπουλος, Γεώργιος |
author_facet |
Ματσόπουλος, Γεώργιος Αντωνιάδης, Ηλίας |
format |
Thesis |
author |
Αντωνιάδης, Ηλίας |
author_sort |
Αντωνιάδης, Ηλίας |
title |
Τμηματοποίηση ιατρικών δεδομένων με χρήση ιατρικών περιγραμμάτων |
title_short |
Τμηματοποίηση ιατρικών δεδομένων με χρήση ιατρικών περιγραμμάτων |
title_full |
Τμηματοποίηση ιατρικών δεδομένων με χρήση ιατρικών περιγραμμάτων |
title_fullStr |
Τμηματοποίηση ιατρικών δεδομένων με χρήση ιατρικών περιγραμμάτων |
title_full_unstemmed |
Τμηματοποίηση ιατρικών δεδομένων με χρήση ιατρικών περιγραμμάτων |
title_sort |
τμηματοποίηση ιατρικών δεδομένων με χρήση ιατρικών περιγραμμάτων |
publishDate |
2016 |
url |
http://hdl.handle.net/10889/8985 |
work_keys_str_mv |
AT antōniadēsēlias tmēmatopoiēsēiatrikōndedomenōnmechrēsēiatrikōnperigrammatōn AT antōniadēsēlias medicaldatasegmentationusingactivecontours |
_version_ |
1771297231304916992 |