ناحیه بندی کبد در تصاویر پزشکی، همچنان به عنوان یک چالش در سیستم های تشخیص کامپیوتری محسوب می شود. در این مقاله یک الگوریتم بهینه بر اساس مدل جریان آب وفقی جهت ناحیه بندی، معرفی می شود. این الگوریتم ابتدا تصویر را به وسیله یک تابع تبدیل طراحی شده بر اساس تابع توزیع احتمال سطوح روشنایی پیکسلهای کبد پردازش می کند تا ناحیه کبد را از بقیه بخش ها، متمایز کند. سپس به کمک الگوریتم بارش باران که بر اساس اطلاعات مکانی و سطوح روشنایی کبد کنترل می شود، نواحی احتمالی کبد استخراج و در ادامه نواحی محتمل کبدی با یک شبکه عصبی پرسپترون جند لایه و با استفاده از ویژگیهای شکل و بافت، طبقه بندی می گردند. طبقه بندی نواحی به جای پیکسل ها، باعث افزایش کارایی الگوریتم شده است. نتایج تجربی حاصل شده، عملکرد به مراتب مناسب تری در قیاس با الگوریتم های ارزیابی دیگررا نشان می دهد. تفاصيل المقالة

فناوری های تصویربرداری پزشکی و بیولوژیک، اطلاعات تصویری ارزشمندی از ساختار و عملکرد یک ارگان را از سطح مولکول¬ها تا کل جسم فراهم می کنند. مغز پیچیده ترین عضو در بدن است و با توسعه سریع فناوری های تصویربرداری پزشکی و بیولوژیکی، توجهات تحقیقاتی فزاینده ای را به خود جلب می کند. از شایع ترین بیماری های مغز می توان به ایجاد بافت ناهنجار در سلول های مغزی اشاره کرد که منجر به تشکیل تومورهای مغزی می شود. از آنجایی که تومورهای مغزی با خطر مرگ و میر قابل توجهی مرتبط هستند و پیش بینی دقیق و سریع این بیماری در روند درمان تاثیر مستقیم دارد، لذا در این تحقیق از تعداد زیادی داده های تصویربرداری MRI تومور مغزی برای شناسایی سرطان های مغز و یافتن روشی با استفاده از تکنیک های یادگیری عمیق استفاده شد. برای تشخیص خودکار از چند مدل یادگیری عمیق استفاده شد و طبقه‌بندی سه نوع تومور مغزی، متشکل از گلیوم، مننژیوم و هیپوفیز نیزبا این الگوریتم ها انجام شد. بر اساس نتایج آزمون‌های انجام‌شده، بهترین دقت نتایج به‌دست‌آمده در این تحقیق ۹۶ درصد بود که با در نظر گرفتن نسبت 60 درصد برای داده‌های آموزشی و 40 درصد برای داده‌های آزمون حاصل شد. تفاصيل المقالة