کاهش پیچیدگی محاسباتی در جداسازی تصاویر پزشکی
الموضوعات :
رضا غفوری
1
,
علیرضا آل سعدی
2
,
بابک غلامی
3
1 - گروه مهندسی پزشکی، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران
2 - گروه مهندسی برق، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران
3 - گروه برق، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران
الکلمات المفتاحية: جداسازی, تصاویر پزشکی, مجموعه های هم سطح, واریانس دودویی, پیچیدگی محاسباتی, مشتقات تصویر,
ملخص المقالة :
با توسعه روشهای جداسازی تصاویر پزشکی مبتنی بر هوش مصنوعی، شاهد استفاده روزافزون از این روشها در جداسازی بافتها و اندامها در انواع تصاویر پزشکی هستیم. جداسازی تصاویر پزشکی نقش بسیار مهمی در بررسی خودکار ساختار اندامها، به دست آوردن ابعاد و اندازه آنها و در برخی موارد، بررسی عملکردی آنها دارد. روشهای مبتنی بر هوش مصنوعی در کنار مزایایی چون دقت بالا و قابلیت یادگیری و بهبود عملکرد، به علت حجم بالای محاسبات و نیاز به داده های زیاد و متنوع در فرآیند آموزش، می‌توانند سبب کاهش سرعت رسیدن به پاسخ شوند. این نکته در شبیه سازی روشهای پردازش موازی با کامپیوترهای دیجیتال بیشتر به چشم می‌خورد زیرا در هر پالس ساعت پردازنده، حداکثر یک سلول شبکه را می‌توان به روزرسانی نمود. در این مقاله از یک روش تحلیلی برای جداسازی تصاویر پزشکی استفاده خواهیم کرد. سپس یک روش مناسب برای تقرب به پاسخ را انتخاب می‌کنیم و در نهایت با کاهش پیچیدگی محاسباتی مورد نیاز برای نیل به هدف جداسازی، سرعت آن را افزایش خواهیم داد. مقایسه سرعت الگوریتم با روش پیشنهادی در این پژوهش با حالت متعارف، نشان دهنده افزایش قابل قبول در سرعت پردازش و رسیدن به پاسخ نهایی بدون از دست دادن دقت جداسازی است
[1] A. Eltanboly, M. Ghazal, H. Hajjdiab, A. Shalaby, A. Switala, A. Mahmoud, P. Sahoo, M. El-Azab, A. El-Baz, “A level sets-based image segmentation approach using statistical shape priors”, Applied Mathematics and Computation, vol. 340, pp. 164–179, 2019.
[2] C. Huang, L. Zeng, “Level set evolution model for image segmentation based on variable exponent p-Laplace equation”, Applied Mathematical Modelling, vol. 40, pp. 7739–7750, 2016.
[3] A. Joshi, M. S. Khan, K. N. Choi, “Medical image segmentation using combined level set and saliency analysis”, IEEE Access, vol. 12, pp. 102016–102026, 2024.
[4] Z. Li, S. Tang, Y. Zeng, S. Chai, W. Ye, F. Yang, K. Huang, “A level-set method with a multiplicative–additive constraint model for image segmentation and bias correction”, Knowledge-Based Systems, vol. 297, 2024.
[5] S. Wali, C. Li, M. Imran, A. Shakoor, A. Basit, “Level-set evolution for medical image segmentation with alternating direction method of multipliers”, Signal Processing, vol. 211, 2023.
[6] S. Osher, J. A. Sethian, “Fronts propagating with curvature-dependent speed: Algorithms based on Hamilton-Jacobi formulations”, International Journal of Computational Physics, vol. 79, no. 1, pp. 12–49, 1988.
[7] A. Tsai, A. Yezzi, W. Wells, C. Tempany, A. Fan, W. A. Grimson, A. Wilsky, “A shape-based approach to the segmentation of medical imagery using level sets”, IEEE Transactions on Medical Imaging, vol. 22, no. 2, pp. 137–154, Feb. 2003.
[8] M. Leventon, E. Grimson, O. Faugeras, “Statistical shape influence in geodesic active contours”, in Proc. IEEE Computer Vision and Pattern Recognition, Hilton Head, SC, USA, pp. 316–322, Jun. 2000.
[9] T. Chan, L. Vese, “Active contours without edges”, IEEE Transactions on Image Processing, vol. 10, no. 2, pp. 266–277, Feb. 2001.
[10] A. Yezzi, A. Tsai, A. Willsky, “A statistical approach to snakes for bimodal and trimodal imagery”, in Proc. Int. Conf. Computer Vision, Corfu, Greece, vol. 2, pp. 898–903, 1999.
