Αυτοματοποιημένη κατηγοριοποίηση μαγνητικών τομογραφιών γόνατος με Matlab και DSPs
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 χρη...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2016
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/9624 |
| id |
nemertes-10889-9624 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-96242022-09-06T07:02:54Z Αυτοματοποιημένη κατηγοριοποίηση μαγνητικών τομογραφιών γόνατος με Matlab και DSPs Automatic classification of knee MRIs using Matlab and DSPs Ζορμπάς-Πετρίδης, Κωνσταντίνος Ζυγούρης, Ευάγγελος Zormpas-Petridis, Konstantinos Ζυγούρης, Ευάγγελος Φωτόπουλος, Σπυρίδων Οικονόμου, Γεώργιος Παθήσεις γόνατος Οπίσθιος χιαστός Πρόσθιος χιαστός Μαγνητική τομογραφία Νευρωνικά δίκτυα Ασαφής λογική Υπερεικονοστοιχεία 616.707 548 MRI knee ANFIS Superpixels Turbopixels SLIC HMRF-EM Fuzzy logic Mean shift Neural networks DM6437 Anterior cruciate ligament Posterior cruciate ligament GUI 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. The purpose of this thesis is the implementation of a method for automated classification of knee Magnetic Resonance Images (MRIs). A combination of algorithms is applied in 2D jpeg images to extract features, which will be used to train an Adaptive Neuro Fuzzy Inference System (ANFIS). The trained neural network is able to diagnose whether the Anterior Cruciate Ligament (ACL) and/or the Posterior Cruciate Ligament (PCL) are torn or healthy. The entire method is implemented in Matlab, along with a fast and easy to use Graphical User Interface (GUI) in order to accelerate the experiments, display the results and the diagnoses, as well as perform different ways of training. Furthermore, one of the most popular and useful techniques in Computer Vision for medical image segmentation, Superpixels, is implemented and optimized on the DM6437 EVM board of Texas Instruments’ DSPs, along with its corresponding GUI. This method attempts to imitate characteristics of the human process of decision making and data calculation. It is applied on single-shots T2-weighted fat suppressed knee MRIs of the saggital sequence, where the ACL and the PCL are more visible. The key stages of the method are the location of the cruciate ligament area, image filtering, image segmentation using Mean Shift and Superpixels algorithms, cruciate isolation using HMRF-EM algorithm, feature extraction and training of ANFIS classifier. The high accuracy of the classifier and the excellent results that it produced make this method very promising. 2016-09-21T09:21:52Z 2016-09-21T09:21:52Z 2016-06 Thesis http://hdl.handle.net/10889/9624 gr 0 application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Παθήσεις γόνατος Οπίσθιος χιαστός Πρόσθιος χιαστός Μαγνητική τομογραφία Νευρωνικά δίκτυα Ασαφής λογική Υπερεικονοστοιχεία 616.707 548 MRI knee ANFIS Superpixels Turbopixels SLIC HMRF-EM Fuzzy logic Mean shift Neural networks DM6437 Anterior cruciate ligament Posterior cruciate ligament GUI |
| spellingShingle |
Παθήσεις γόνατος Οπίσθιος χιαστός Πρόσθιος χιαστός Μαγνητική τομογραφία Νευρωνικά δίκτυα Ασαφής λογική Υπερεικονοστοιχεία 616.707 548 MRI knee ANFIS Superpixels Turbopixels SLIC HMRF-EM Fuzzy logic Mean shift Neural networks DM6437 Anterior cruciate ligament Posterior cruciate ligament GUI Ζορμπάς-Πετρίδης, Κωνσταντίνος Αυτοματοποιημένη κατηγοριοποίηση μαγνητικών τομογραφιών γόνατος με Matlab και DSPs |
| description |
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. |
| author2 |
Ζυγούρης, Ευάγγελος |
| author_facet |
Ζυγούρης, Ευάγγελος Ζορμπάς-Πετρίδης, Κωνσταντίνος |
| format |
Thesis |
| author |
Ζορμπάς-Πετρίδης, Κωνσταντίνος |
| author_sort |
Ζορμπάς-Πετρίδης, Κωνσταντίνος |
| title |
Αυτοματοποιημένη κατηγοριοποίηση μαγνητικών τομογραφιών γόνατος με Matlab και DSPs |
| title_short |
Αυτοματοποιημένη κατηγοριοποίηση μαγνητικών τομογραφιών γόνατος με Matlab και DSPs |
| title_full |
Αυτοματοποιημένη κατηγοριοποίηση μαγνητικών τομογραφιών γόνατος με Matlab και DSPs |
| title_fullStr |
Αυτοματοποιημένη κατηγοριοποίηση μαγνητικών τομογραφιών γόνατος με Matlab και DSPs |
| title_full_unstemmed |
Αυτοματοποιημένη κατηγοριοποίηση μαγνητικών τομογραφιών γόνατος με Matlab και DSPs |
| title_sort |
αυτοματοποιημένη κατηγοριοποίηση μαγνητικών τομογραφιών γόνατος με matlab και dsps |
| publishDate |
2016 |
| url |
http://hdl.handle.net/10889/9624 |
| work_keys_str_mv |
AT zormpaspetridēskōnstantinos automatopoiēmenēkatēgoriopoiēsēmagnētikōntomographiōngonatosmematlabkaidsps AT zormpaspetridēskōnstantinos automaticclassificationofkneemrisusingmatlabanddsps |
| _version_ |
1799945014296444928 |
