| Περίληψη: | Η παρούσα διπλωματική εργασία ασχολείται με την υλοποίηση μίας μεθόδου με σκοπό την αυτοματοποιημένη κατηγοριοποίηση μαγνητικών τομογραφιών γόνατος. Αυτό επιτυγχάνεται με την εφαρμογή μίας σειράς αλγορίθμων σε δισδιάστατες (2D) jpeg εικόνες, ώστε να εξαχθούν κατάλληλα χαρακτηριστικά, τα οποία θα χρησιμοποιηθούν στη συνέχεια για την εκπαίδευση ασαφούς νευρωνικού δικτύου (ANFIS). Το εκπαιδευμένο νευρωνικό δίκτυο είναι σε θέση να διαγνώσει αν ο Πρόσθιος Χιαστός Σύνδεσμος (ΠΧΣ) ή/και ο Οπίσθιος Χιαστός Σύνδεσμος (ΟΧΣ) έχουν υποστεί ρήξη. Η μέθοδος έχει υλοποιηθεί στο Matlab μαζί με Γραφικό Περιβάλλον Διεπαφής Χρήστη (GUI) που επιτρέπει τον εύκολο και γρήγορο χειρισμό της διαδικασίας, την απεικόνιση των αποτελεσμάτων και των διαγνώσεων, παρέχοντας ταυτόχρονα διάφορους τρόπους εκτέλεσης της εφαρμογής και εκπαίδευσης του νευρωνικού δικτύου.
Επίσης, μία από τις δημοφιλέστερες και χρησιμότερες τεχνικές της Υπολογιστικής Όρασης για κατάτμηση ιατρικών εικόνων, τα υπερ-εικονοστοιχεία, υλοποιείται και βελτιστοποιείται σε DSPs και συγκεκριμένα στον DM6437 EVM της Texas Instruments μαζί με αντίστοιχο GUI.
Η μέθοδος επιχειρεί να μιμηθεί χαρακτηριστικά της ανθρώπινης διαδικασίας λήψης αποφάσεων και υπολογισμού των δεδομένων. Η εφαρμογή της γίνεται σε μαγνητικές τομογραφίες γόνατος της οβελιαίας σειράς λήψεων (Τ2-ακολουθίας με καταστολή του σήματος λίπους), στις οποίες ο ΠΧΣ και ο ΟΧΣ είναι περισσότερο εμφανείς. Τα βασικά στάδια της μεθόδου είναι ο εντοπισμός της περιοχής όπου βρίσκεται ο χιαστός σύνδεσμος, το φιλτράρισμα της εικόνας, η κατάτμηση της εικόνας με χρήση των αλγορίθμων Mean Shift και Superpixels, η απομόνωση του χιαστού με χρήση του αλγορίθμου HMRF-EM, η εξαγωγή χαρακτηριστικών και τέλος η εκπαίδευση ταξινομητή ANFIS. Επιβεβαιώθηκε η μεγάλη ακρίβεια του ταξινομητή και τα αποτελέσματα ήταν άκρως ενθαρρυντικά.
|
|---|
