پروژه آموزشی تشخیص تومور مغزی توسط مدل مخفی مارکوف با متلب

توضیحات

پروژه شبیه سازی تقسیم بندی تصاویر مغز مبتنی بر خوشه بندی فازی با متلب:

این پروژه تشخیص تومور مغزی توسط مدل مخفی مارکوف با متلب یکی از انواع شبکه­ عصبی پیشرفته می باشد. تحقیق پیش رو بر روی دیتابیس BRAINIX اعمال شده است. این بانک شامل 62 تصویر MRI می باشد که از این بین 31 دارای تومور مغزی و 31 تصویر بدون تومور بطور تصادفی انتخاب شده است. این تصاویر بصورت مجزا در زیر نمایش داده شده­ اند:

الگوریتم پیشنهادی

در شکل زیر الگوریتم پیشنهادی بصوت شماتیکی نمایش داده شده است که در ادامه به تفضیل در باره هر کدام از بلوک­های آن توضیح داده خواهد شد. همچنین کد شبیه سازی قسمت های مختلف این الگویتم در ضمیمه شماره 1 آورده شده است.

طبق الگوریتم، در اولین گام هر تصویر ورودی برای انجام پردازشها باید به سطح خاکستری تبدیل شود. این عمل طبق تعریف از محاسبه سطح خاکستری از روی سطوح RGB بصورت زیر محاسبه خواهد شد:

3-1	Gray = 0.2989 * R + 0.5870 * G + 0.1140 * B

حال هر تصویر به یک ماتریس m*n که در آنm  و n ابعاد تصویر می باشند تبدیل شده است. این تصویر برای استخراج ویژگی ها به ابعاد خاصی تغییر اندازه خواهد داد که طبق کد شبیه سازی متلب که در قسمت ضمیمه موجودست به [56 46] تغییر می یابد. اندازه به نحوی انتخاب شده است که هم فرایند استخراج ویژگی زمان بر نباشد و هم ساختار تصویر به هم نریزد.

در ادامه، پیش فیلتری جهت حذف نویز مورد استفاده قرار می گیرد. این فیلتر از نوع فیلترهای آماری می باشد بطوری که برای یک همسایگی 3*3 به مرکزیت هر پیکسل، اولین عنصر غیر صفری را که بعد از سورت کردن پراکندگی این همسایه ها بدست می آید را به عنوان مقدار جدید جایگزین می­کند. این عمل باعث می شود تا داده ها در هر پنجره 3*3 همدوست باشند.

بلوکی کردن تصویر در مرحله بعد انجام خواهد گرفت بطوری که هر تصویر بصورت 5 سطر به 5 سطر جداشده و مورد پردازش قرار خواهد گرفت. این عملیات نیز جهت  کاهش حجم محاسباتی ویژگیها و بالابردن دقت در تشخیص تومور لازم می باشد. سپس ویژگی های هر یک از این بلوک ها توسط تجزیه مقدارهای منفرد یا SVD انجام خواهد شد. تجزیۀ مقدارهای منفرد یا تجزیۀ مقدارهای تکین، به عنوان یک تجزیه و فاکتورگیری ماتریسی،  قدمی اساسی در بسیاری از محاسبات علمی و مهندسی به‌حساب می‌آید.

فرض کنیم M یک ماتریس m در n روی میدان K است که می تواند یکی از میدان­های حقیقی یا مختلط باشد. آنگاه تجزیه­ای از M به صورت زیر وجود دارد که:

که U یک ماتریس m در n روی میدان Σ ، K ماتریس قطری m در n با درایه های نا منفی حقیقی بر روی قطر و V* نشان دهنده ترانهاده مزدوج V یک ماتریس یکانی n در n روی K است. این روش فاکتور گیری تجزیه مقدارهای منفرد M نامیده می­شود. در این تجزیه فرض است که  ماتریس قطری Σ به طور منحصر بفرد به وسیله M تعیین می­شود. (اگرچه ماتریس های U و V اینگونه نیستند) . درایه­های ماتریس قطری Σ به عنوان مقدارهای تکین M شناخته می شوند. ماتریس زیر را در نظر می‌گیریم:

ما تنها از دو بردار U و Σ ، جهت استخراج ویژگی استفاده می نماییم بدین صورت که کمینه و بیشینه المان اول U و المان­های اول و دوم روی قطر اصلی Σ را به عنوان ویژگی های مورد نظر استفاده خواهیم نمود. خاصیت این نقاط این است که در تجزیه های مختلف همواره موجودند. این ویژگی ها برای کل مجموعه دیتابیس به مقادیر کمینه و بیشینه کل نرمالیزه خواهند شد.

تا اینجا فرا یندی که انجام گرفت بین تک تک تصاویر دیتابیس و هر تصویر ارزیابی مشترک بود به همین دلیل جعبه خاکستری شکل 3-3 بطور مستقل رنگ داده شده است. بعد از این مرحله ویزگی های بدست آمده توسط مدل مخفی مارکوف آموزش دیده می شوند. با توجه به پارامترهای مدل مخفی مارکوف، می‌توانیم مسایلی به صورت زیر را حل کنیم.

یا اینکه مدل را داریم به این معنی که احتمالات مربوط به انتقال از حالتی به حالت دیگر و همینطور احتمال تولید الفبا در هر حالت معلوم است. توالی از مشاهدات داده شده، می‌خواهیم محتمل‌ترین مسیری(توالی حالات) که توالی را تولید می‌کند را پیدا کنیم.  در حالت دوم که در طبقه بندی مورد استفاده قرار میگیرد، ما مدل را داریم و توالی از مشاهدات داده شده‌است، می‌خواهیم احتمال (کل) تولید شدن این توالی توسط این مدل را (جمع احتمالات تمامی مسیرهایی که این توالی را تولید می‌کنند) حساب کنیم. در حالت دیگر هم مدل را داریم و می‌خواهیم بدانیم محتمل‌ترین توالی که توسط این مدل تولید می‌شود (توالی که بیشترین احتمال را داراست) چیست. در حالت آخر هم ساختار مدل را داریم به این معنی که تعداد حالات و الفبای تولیدی در هر حالت معلوم است، تعدادی توالی داریم (داده‌های آموزش) می‌خواهیم احتمال انتقال بین حالات و همینطور احتمال تولید الفبا در هر حالت را محاسبه کنیم. این فرایند هم برای آموزش مورد استفاده قرار خواهد گرفت.

با توجه به کاربردهای ذکر شده در بالاف در این تحقیق از کاربرد مدل مخفی مارکوف با هدف آموزش به آن برای طبقه بندی استفاده خواهد شد.

 

نکات قابل ذکر:

• پروژه تشخیص تومور مغزی توسط مدل مخفی مارکوف با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
• فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.

سفارش پروژه مشابه

درصورتیکه این پروژه دقیقا مطابق خواسته شما نمی باشد، با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.

سفارش پروژه متلب