این یک مقاله فنی مهندسی درحوزه رشته مهندسی پزشکی است که در زمینه پردازش تصاویر پزشکی به منظور تقسیم بندی خودکار تومور هاست. و عنوان آن Kernel Sparse Codes Tumor Segmentation است.

چکیده

در این مقاله، ما یک روش مبتنی بر پیکسل برای تقسیم بندی خودکار اجزای تومور از تصاویر MR. برنامه نویسی پراکنده با استفاده از واژه نامه های منطبق با داده، بطور موفقیت آمیزی در بازیابی چند تصویر و مشکلات بینایی بکار گرفته شده اند. چون به دست آوردن کدهای پراکنده برای مقادیر پیکسل بدیهی است، ما پیشنهاد می کنیم شباهت های غیر خطی را به منظور انجام برنامه نویسی پراکنده هسته ای در یک فضای ویژگی چند بعدی(با بعد بالا) در نظر بگیرید. ما روش خوشه بندی خطوط هسته ای(مرکزی) K را برای استنتاج واژه نامه های هسته ای و استفاده از کدهای هسته ای پراکنده برای تعیین اینکه آیا یک پیکسل متعلق به یک منطقه تومور است یا نسیت، توسعه دادیم. با استفاده از ترکیب اطلاعات مربوط به مکان فضایی(سه بعدی) پیکسل ها، مناطق مجاور تومور به طور موثری شناخته می شوند. روش تقسیم بندی مرکب ضعیف، که اجازه می دهد تا کاربر منطقه تومور را مقداردهی اولیه دهد، نیز ارائه شده است. نتایج نشان می دهد که هر دو روش های پیشنهادی، در مقایسه با هنگامی که تقسیم بندی دستی توسط یک متخصص صورت می پذیرد، منجر به شناسایی دقیق تومور با نرخ مثبت پایین خطا می گردد.