وبلاگ دیجی پروژه

پروژه و ترجمه های هوش مصنوعی

وبلاگ دیجی پروژه

پروژه و ترجمه های هوش مصنوعی

وبلاگ دیجی پروژه

دیجی پروژه را در کانال تلگرام دیجی پروژه دنبال نمایید
https://telegram.me/DigiProjects

آخرین نظرات

۲ مطلب با کلمه‌ی کلیدی «فشرده سازی تصاویر پزشکی» ثبت شده است

۲۸
اسفند

Adaptive threshold-based block classification in medical image compression

for teleradiology

دسته ­بندی بلوکی مبتنی بر حدآستانه­ی انطباقی در فشرده‌سازی تصویر پزشکی رادیولوژی


فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 18 صفحه

دانلود اصل مقاله – رایگان

قیمت : 20000 تومان

چکیده

ارتباطات راه دور، در میان دیگر چیزها، شامل ذخیره‌سازی و انتقال تصاویر پزشکی است که به آن رادیولوژی از راه دور نیز گفته می‌شود. به علت محدودیت روی پهنای باند و ظرفیت ذخیره‌سازی، یک تصویر پزشکی ممکن است قبل از انتقال/ ذخیره نیاز به فشرده شدن داشته باشد. در میان روش‌های مختلف فشرده‌سازی، تکنیک‌های مبتنی بر تبدیل که یک تصویر را در حوزه‌ی فضایی به داده‌ها در حوزه‌ی طیفی تبدیل می‌کنند بسیار مؤثر است. تبدیل گسسته‌ی کسینوسی (DCT) احتمالاً محبوب‌ترین تبدیل استفاده شده در فشرده‌سازی تصویر در استانداردهایی مانند گروه متخصصان گرافیکی متصل (JPEG) است. در فشرده‌سازی مبتنی بر DCT، تصویر به بلوک‌های کوچکتری برای سادگی محاسبات تقسیم می‌شود. بلوک‌ها بر اساس محتوای اطلاعاتی طبقه‌بندی می‌شوند تا نرخ فشرده‌سازی بدون از بین رفتن اطلاعات تشخیصی، به حداکثر برسد. مقاله‌ی حاضر، یک تکنیک همراه با الگوریتم محاسباتی برای طبقه‌بندی بلوک‌ها بر اساس مقدار آستانه‌ی انطباقی واریانس ارائه می‌کند. روش انطباقی، تکنیک طبقه‌بندی را برای همه‌ی تصاویر پزشکی مناسب می‌کند. کارایی آن با اعمال به تصاویر CT، X-ray و فرا صوتی و مقایسه با JPEG از لحاظ شاخص‌های کیفی و عینی مختلف نشان داده شده است.

۲۸
اسفند

3-D medical image compression using 3-D wavelet coders

فشرده‌سازی سه بعدی تصاویر پزشکی با استفاده از کدگذارهای ویولت 3 بعدی

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 12 صفحه

دانلود اصل مقاله – رایگان

قیمت : 15000 تومان

چکیده

این مقاله، فشرده‌سازی تصاویر پزشکی سه بعدی با استفاده از کدگذارهای ویولت سه بعدی را ارائه می‌دهد. چهار تبدیل ویولت به نام‌های Daubechies 4، Daubechies 6، Cohen-Daubechies-Feauveau 9/7 و Cohen-Daubechies-Feauveau 5/3 در اولین مرحله با کدگذارهایی مثل SPHIT سه بعدی، SPECK سه بعدی و BISK سه بعدی در مرحله‌ی دوم برای فشرده‌سازی و ترکیب بهینه‌ی ویولت- کدگذار تعیین می‌شود. دو نسخه از تبدیل ویولت یعنی تبدیل‌های ویولت متقارن و جداگانه در نظر گرفته می‌شود.

آزمایشات با استفاده از تصاویر تست دارویی مانند تصاویر رزونانس مغناطیسی (MRI) و رگ نگاری‌های اشعه‌ی X (XA) انجام می‌شوند.

کارایی طرح پیشنهادی از لحاظ نسبت سیگنال به نویز و نرخ بیتی ارزیابی می‌شود. شاخص تشابه ساختاری میانگین (MSSIM) نیز برای ارزیابی تشابه ساختاری بین تصاویر اصلی و بازسازی شده معرفی می‌شود. با توجه به نتایج تست، مشخص شده است که ویولت متقارن Cohen-Daubechies-Feauveau 9/7 سه بعدی همراه با کدگذار سه بُعدی SPIHT منجر به بهترین نتیجه‌ی فشرده‌سازی می‌شود.

1.        مقدمه

برای کاربردهای رادیولوژی از راه دور، کیفیت تصاویر پزشکی بازسازی شده، نقش مهمی را در تشخیص و درمان بیماران دارد. در سال‌های اخیر، تقاضای ذخیره‌سازی و انتقال تصاویر پزشکی، علاقه‌ی بسیاری را در زمینه‌ی فشرده‌سازی تصاویر پزشکی جلب کرده است. فشرده‌سازی می‌تواند بدون اتلاف باشد اگر کپی دقیقی از نسخه‌ی اصلی را ایجاد کند و می‌تواند با اتلاف باشد اگر کمی‌سازی‌های خاصی را لحاظ کند. برای فشرده‌سازی تصاویر پزشکی، فشرده‌سازی با اتلاف، تا وقتی مجاز است که کیفیت تشخیصی مورد نیاز در تصاویر بازسازی شده حفظ شود. مشخص است که متخصصان پزشکی، تصاویر سه بعدی را برای تحلیل ترجیح می‌دهند زیرا انعطاف‌پذیری در دیدن بخش‌های آناتومی مورد نیاز برای تشخیص دقیق ناهنجاری‌ها را فراهم می‌آورد.