رفتن به مطلب

جستجو در تالارهای گفتگو

در حال نمایش نتایج برای برچسب های 'الگوریتم isodata'.

  • جستجو بر اساس برچسب

    برچسب ها را با , از یکدیگر جدا نمایید.
  • جستجو بر اساس نویسنده

نوع محتوا


تالارهای گفتگو

  • انجمن نواندیشان
    • دفتر مدیریت انجمن نواندیشان
    • کارگروه های تخصصی نواندیشان
    • فروشگاه نواندیشان
  • فنی و مهندسی
    • مهندسی برق
    • مهندسی مکانیک
    • مهندسی کامپیوتر
    • مهندسی معماری
    • مهندسی شهرسازی
    • مهندسی کشاورزی
    • مهندسی محیط زیست
    • مهندسی صنایع
    • مهندسی عمران
    • مهندسی شیمی
    • مهندسی فناوری اطلاعات و IT
    • مهندسی منابع طبيعي
    • سایر رشته های فنی و مهندسی
  • علوم پزشکی
  • علوم پایه
  • ادبیات و علوم انسانی
  • فرهنگ و هنر
  • مراکز علمی
  • مطالب عمومی

جستجو در ...

نمایش نتایجی که شامل ...


تاریخ ایجاد

  • شروع

    پایان


آخرین بروزرسانی

  • شروع

    پایان


فیلتر بر اساس تعداد ...

تاریخ عضویت

  • شروع

    پایان


گروه


نام واقعی


جنسیت


محل سکونت


تخصص ها


علاقه مندی ها


عنوان توضیحات پروفایل


توضیحات داخل پروفایل


رشته تحصیلی


گرایش


مقطع تحصیلی


دانشگاه محل تحصیل


شغل

  1. سلام دوستان پروژه­ ی آماده ­ای که واستون گذاشتم مربوط به پروژه­ ی درس پردازش تصویر هستش که با کمک جناب مدیر، آقا Imaaan کاملش کردم. که کارش تشخیص سرطان کبد هست. البته این مقاله دو قسمتی بود، قسمت اول سگمنت کردن کبد و قسمت دوم تشخیص تومور. که قسمت اولش رو بنده انجام ندادم. اول روی تصویر یه سری بهبود انجام میدیم : استفاده از Linear contrast stretching برای افزایش تفاوت بین بافت کبد و تومور. جمع تصویر با خودش. بعد از تقویت کنتراست تصویر، سطوح روشنایی بافت کبد بیشتر و بین 140 تا 160 هست، که بعد از جمع تصویر با خودش بیشتر بافت­های کبد به شکل سفید در میآن. بافت­های سرطانی هم تیره­ تر از بافت­های سالم ظاهر میشن. حذف نویز با استفاده از فیلتر گائوشین. این تصویر مربوط به بعد از حذف نویز با فیلتر گائوشین هست( قسمتی که تومور دارد تیره تر از بافت کبد می باشد.) مرحله بعدی تبدیل تصویر خاکستری، به تصویر باینری هست که استفاده از الگوریتم IsoData انجام شده که توضیحات مربوط به کد و نحوه انجام کار تو بخش [Hidden Content] به صورت مفصل گفته شده. این تصویرم مربوط به خروجی این الگوریتم هستش. مرحله ­ی بعدی حذف تومورهایی هست که به اشتباه به عنوان تومور تشخیص داده شده­اند. که تو این قسمت هم دو راه پیشنهاد داده شده که من یکی از روش­ها رو استفاده کردم، که به این صورت هست: این کار را برای هر کدام از تومورها تکرار کنید: 1.یک تومور را انتخاب کرده، با استفاد از دستور BwLabel ، مساحت آن را محاسبه و یک دایره هم مساحت با تومور انتخاب شده ایجاد کنید. که یه سری توضیحات تکمیلی هم درمورد رسم دایره تو این بخش [Hidden Content] هست 2. دایره را آنقدر روی تومور حرکت دهید تا بیشترین اشتراک بدست آید. 3. اگر Circularity که طبق رابطه­ ی زیر بدست می­آد بیشتر از 85% باشد، تومور به درستی تشخیص داده شده است. Circularity= area of intersection between blob and circle/ area of formed circle خط 79 تا 87 اشتراک بین تومورو دایره رو حساب میکنه و خط 88 بیشترین اشتراک رو محاسبه کرده و خط بعدی نسبت مربوطه رو. خروجی مرحله آخر یک توضیح در رابطه با خوندن و نمایش تصویر سه بعدی سی تی اسکن با پسوند mha بدم که کار خوندن رو تابع mha_read_volume انجام میده و تابع slicer برای نمایش تصاویر سه بعدی هست که من توابع رو هم ضمیمه ی پروژه کردم اما چند تا تابع دیگه هم میتونه برای نمایش تصاویر با پسوند mha و پزشکی استفاده بشه که در اینجا گذاشته شده. لینک پروژه بعلاوه تصاویر و توابع مربوط به خواندن و نمایش تصاویر سه بعدی: امیدوارم به کارتون بیاد و بازم از آقای انصاری ممنون
×
×
  • اضافه کردن...