اطلاعات پایان نامه
شماره شناسایی : 39303974
نام و نام خانوادگی : شادي امامي
عنوان پایان نامه : حاشیه‌نویسی تصاویر پزشکی با استفاده از انتخاب ویژگی مبتنی بر الگوریتم‌های فراابتکاری
رشته تحصیلی : مهندسي كامپيوتر-هوش مصنوعي
مقطع تحصیلی : كارشناسي ارشد
استاد راهنما : فرساد زماني
استاد مشاور :
چکیده : فرآیند حاشیه نویسی تصاویر پزشکی با هدف اختصاص برچسب متنی مناسب به تصاویر، با روش‌های مختلفی قابل اجرا می‌باشد. یکی از تکنیک‌های مطرح در این زمینه تکنیک‌های مبتنی بر یادگیری ماشین هستند که در مقایسه با دیگر روش‌های حاشیه نویسی موفق‌تر می‌باشند. اما نتایج و صحت این تکنیک‌ها به عوامل مختلفی، بالاخص مرحله انتخاب ویژگی وابسته می‌باشد. عدم انتخاب ویژگی‌های مناسب در فرآیند حاشیه نویسی تصاویر پزشکی که غالبا دارای بخش‌های اطلاعاتی از جمله مدالیته، جهت، آناتومی و سیستم بیولوژی می‌باشند، باعث افزایش طول بردار ویژگی‌ها و کاهش چشمگیر صحت این مدل‌ها شده و فرآیند حاشیه نویسی را بسیار زمانبر می‌سازد؛ در این قبیل از تکنیک‌ها برای کنترل و رفع مشکل فوق از روش‌های مختلف انتخاب ویژگی از جمله روش‌های مبتنی بر الگوریتم‌های فرا ابتکاری استفاده می‌شود؛ که مبتنی بر خطای طبقه‌بندی هستند. در این پژوهش نیز یک مدل حاشیه نویسی تصاویر پزشکی مبتنی بر یادگیری ماشین ارائه شده که از الگوریتم فرا ابتکاری ازدحام ذرات کوانتومی مبتنی بر کیفیت خوشه‌بندی برای انتخاب مجموعه‌ای بهینه از ویژگی‌های بصری استفاده می‌کند. در این مدل با استفاده از سه توصیفگر SIFT ، LBP و EHD ویژگی‌های تصاویر استخراج می‌شود. سپس در دو مرحله انتخاب ویژگی، با اعمال الگوریتم ازدحام ذرات کوانتومی با دو تابع هزینه آنتروپی خوشه‌بندی و خطای طبقه‌بندی بر روی توصیفگر‌های فوق و هیستوگرام تصاویر بهترین زیر مجموعه از ویژگی‌های تصاویر انتخاب می‌گردد. در نهایت با استفاده از الگوریتم طبقه‌بندی نزدیکترین همسایه و تکنیک ترکیبی رای گیری اکثریت، حاشیه نویسی تصاویر پزشکی صورت گرفته و صحت نهایی مدل محاسبه میشود. در این پژوهش برای ارزیابی مدل پیشنهادی از مجموعه دادگان IRMA استفاده شده است. نتایج حاصل از آزمایش‌های مختلف حاکی از افزایش صحت 8/13% مدل پیشنهادی در 4 بخش در مقایسه با روش پیشین می‌باشد.
کلمات کلیدی : حاشیه نویسی خودکار تصاویر پزشکی, الگوریتم فرا ابتکاری ازدحام ذرات کوانتومی, آنتروپی خوشه‌بندی, رای گیری اکثریت.
تاریخ دفاع : 1397/08/24
دانلود فایل چکیده

About Proposal
Title : Medical Image Annotation Using Feature Selection Based On Meta-Heuristic Algorithms
Abstract : The annotation process of medical images with the purpose of allocating the appropriate textual label to the images may be performed using a range of methods. A notable technique in this field is the machine learning technique, which is more successful in comparison to other annotation methods. However, the results and accuracy of these techniques depend on various factors, especially the stage of feature selection. Annotation processes of medical images often have informational sections including modality, direction, anatomy and biological systems, the selection of inappropriate properties will make the annotation process highly time consuming. In order to control and resolve the aforementioned problems associated with such techniques, various feature selection methods, namely meta-heuristic algorithm-based approaches are used, which are based on classification error. In the current research study, a machine learning-based medical image annotation model is presented that uses a quantum particle swarm meta-heuristic algorithm based on clustering quality to select an optimal set of visual features. In this model, the properties of images are extracted by SIFT, LBP and EHD descriptors. Then, in two stages of feature selection, the best subset of image properties are selected by applying the quantum particle swarm algorithm with two different cost functions on the descriptors above and histogram of images. Finally, using the nearest neighbour classification algorithm and the combined technique of majority voting, the annotation of medical images took place and the ultimate accuracy of the model was computed. In this research, the IRMA data set was used to evaluate the proposed model. The results obtained from different tests indicated a 13.8% increase in accuracy of the suggested model in four sections in comparison to the former method.
Keywords : automatic annotation of medical images, metaheuristic quantum particle swarm algorithm, clustering entropy, majority voting.
Download Abstract File