Характеризация структурных особенностей биомедицинских изображений с помощью специализированных нейронных сетей

Характеризация структурных особенностей биомедицинских изображений с помощью специализированных нейронных сетей

Автор: Ильин, Станислав Владимирович

Шифр специальности: 05.13.11

Научная степень: Кандидатская

Год защиты: 2006

Место защиты: Москва

Количество страниц: 116 с. ил.

Артикул: 3304138

Автор: Ильин, Станислав Владимирович

Стоимость: 250 руб.

Характеризация структурных особенностей биомедицинских изображений с помощью специализированных нейронных сетей  Характеризация структурных особенностей биомедицинских изображений с помощью специализированных нейронных сетей 

Оглавление
Оглавление.
Введение.
Глава 1. Методы повышения информативности биомедицинских изображений.
1.1. Введение
1.2. Методы увеличения контраста.
1.3. Методы повышения резкости
1.4. Фильтрация шума
1.5. Методы сегментация изображений.
1.6. Выводы.
Глава 2. Иейроиносетевая идентификация бинарных рассеивателей
2.1. Введение.
2.2. Однонаправленные нейронные сети
2.2.1. Модель нейрона.
2.2.2. Обобщнная модель многослойного перцепгроиа
2.2.3. Архитектура перцептрона
2.2.4. Обучение перцептрона. Алгоритм обратного распространения.
2.3. Численное моделирование бинарных рассеивателей.
2.3.1. Геометрия задачи.
2.3.2. Модель обратной задачи рассеяния в слоистонеоднородной среде
2.3.3. Метод решения обратной задачи рассеяния с помощью
однонаправленных нейронных сетей
2.3.4. Численное моделирование задачи нейроиносетевой идентификации бинарных рассеивателей
2.4. Моделирование специализированных нейронных сетей для решения
обратной задачи рассеяния.
2.5. Выводы.
Глава 3. Нейронносетевая сегментация биомедицинских изображений.
3.1. Введение
3.2. Сегментация изображений с помощью нейронных сетей.
3.3. Нейронные сети встречного распространения.
3.3.1. Самоорганизующаяся нейронная есть Кохопена.
3.3.2. Нейронная сеть встречного распространения
3.2.3. Оценка плотности распределения вероятностей
3.2.4. Предварительная обработка входных векторов.
3.4. Метод сегментации биомедицинских изображений с использованием
нейронных сетей встречного распространения.
3.5. Выводы
Глава 4. Моделирование нейронносетевой сегментации ультразвуковых
изображений
4.1. Введение
4.2. Определение количественных характеристик локализованной в среде неоднородности.
4.3. Моделирование задачи ультразвукового сканирования.
4.3.1. Расчет падающего поля
4.3.2. Расчет рассеянного поля
4.3.3. Измерительные ульгразвуковые данные
4.4. Генерация тестовых ультразвуковых изображений.
4.5. Программная реализация алгоритма нейронносетевой сегментации
4.6. Выводы.
Заключение
Приложение
Основные термины
Список литературы


Разработанная программа нейронно-сетевой сегментации обсспсчиваег возможность производить сегментацию изображений биомедицинского типа с высокой точностью. Задача идентификации неоднородностей, характеризуемых малым числом параметров, может быть решена с помощью обработки исходного набора измерительных данных рассеяния посредством многослойного перцептроиа. На объединённом научном семинаре по обратным задачам математической физики факультета вычислительной математики и кибернетике МГУ и физического факультета МГУ под руководством проф. А.Б. Бакушинского, проф. A.B. Тихоиравова и проф. А.Г. Яголы (Москва, г. Компьютерная диагностика и визуализация» МИЭТ. По теме диссертации опубликовано научных работ, из них 1 статья в журнале "Акустический журнал", и 3 - в сборнике и трудах конференций. Список работ включает также труды и тезисы докладов российских и международных конференций. В основу диссертации легли результаты исследований, выполненных автором в учебно-научном центре «Компьютерная диагностика и визуализация» кафедры биомедицинских систем Московского государственного института электронной техники (технического университета). Диссертация состоит из введения, трех глав, заключения, приложения, и списка литературы, содержит 6 страниц текста, рисунка и 5 таблиц. Список литературы включает наименований. Глава 1. В современной медицине развитие диагностических методов неразрывно связано с визуализацией и обработкой изображений внутренних органов человека. Различные методы рентгенографии, компьютерной рентгеновской, радионуклидной и магнитно-резонансной томографии и ультразвуковых исследований позволяют проводить обследование пациента и диагностику заболеваний без хирургического вмешательства. Качество и информативность биомедицинских изображений играют первостепенную роль для успешного и точного диагностирования [1]. Следует различать два разных, но зачастую взаимоперекрывающихся подхода к повышению информативности биомедицинских изображений. Первый подход ставит своей целью улучшение зрительных характеристик изображения (повышение глобального и локального контраста, резкости и т. При таком подходе пытаются свести до минимума искажения, вызванные неточностью медицинской аппаратуры. Второй подход основан на применении методов обработки изображений с целью выделения некоторых существенных деталей или особенностей, при этом несущественная информация тем либо иным способом подавляется. В результате получается изображение более удобное для визуального анализа и интерпретации, но, возможно, сильно отличающееся от исходного. В процессе получения биомедицинских изображений неизбежны различные искажающие факторы, влияющие на их качество. Источник этих искажений может лежать как в самом алгоритме получения изображения (если изображение представляет собой результат реализации тех или иных алгоритмов цифровой реконструкции), так и в несовершенстве устройств ввода-вывода, имеющих часто нелинейные характеристики передачи уровня сигнала. Методы, описанные ниже, служат для повышения информативности биомедицинских изображений за счет устранения негативных искажений, таких как недостаточная контрастность, искаженные яркостпыс характеристики и высокая зашумленность. Для увеличения контраста изображения часто используют методы, оперирующие с гистограммой изображения. Суть этих методов состоит в преобразовании яркостей исходною изображения таким образом, чтобы гистограмма распределения яркостей приобрела желаемую форму. Наиболее простым из них является метод линейного масштабирования, который заключается в растяжении гистограммы изображения на максимально допустимый диапазон [2]. Обычно при этом задаются минимальные и максимальные пороговые уровни, что обеспечивает более высокое качество субъективного восприятия изображения, особенно если обработанное изображение содержит относительно мало элементов с превышением уровня ограничения. На рис. Шеппа-Логана) при заданном нижнем пороге, что позволило избавиться от артефактов в окружающей его области. Рис.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.197, запросов: 244