期刊名称:Intelligent Systems in Electrical Engineering
印刷版ISSN:2251-6530
电子版ISSN:2252-083X
出版年度:2014
卷号:5
期号:3
页码:47-54
语种:Persian
摘要:تصاوير پزشکی اهميت ويژهای در تشخيص پزشکی دارند. در اين مقاله يک روش ترکيبی هوشمند مبتنی بر يک سيستم فازی- عصبی برای حذف نويز از اين گونه تصاوير ارايه ميشود. چندين روش عمومی و مفيد برای حذف نويز از تصاوير وجود دارند؛ بهعنوان نمونه ميتوان از فيلتر ميانگين، فيلتر ميانه، فيلتر ميانه وزندار و فيلتر ميانه تطبيقی نام برد. در رابطه با حذف نويز از تصاوير پزشکی به علت ويژگی خاص آنها نياز به قابليتهای بيشتری برای حذف نويز است. با توجه به توانايی سيستمهای فازی- عصبی در کد کردن دانش بشری و همچنين، بهکارگيری دانش غير قطعی، اين پروژه سعی در بهرهگيری از اين قابليتها برای رفع هر چه بيشتر نويز تصاوير دارد. راهبرد بهکار گرفته شده در اين مقاله مبتنی بر بهکارگرفتن چهار روش حذف نويز عمومی بالا بهطور موازی روی تصوير داده شده و استفاده از سيستم فازی-عصبی است. سيستم فازی-عصبی که به وسيله پيکسلهای نويزی آموزش داده شده است بهترين مقدار جايگزين برای پيکسل نويزی در تصوير بهبود داده شده را با توجه به چهار مقدار توليد شده برای همان پيکسل توسط فيلترهای حذف نويز تعيين ميکند. روش پيشنهادی پيادهسازی و بر روی تصاوير با چگالی نويز بالا اجرا شد. نتايج آزمايشی گويای مفيد بودن روش پيشنهادی در حذف هر چه بيشتر نويز از تصاوير پزشکی است.
其他摘要:Medical imaging comprises different imaging modalities and processes to image human body for diagnostic and treatment purposes and, therefore has an important role in the improvement of public health in all population groups. In this paper, we present an intelligent hybrid noise reduction filter which is based on Neuro-Fuzzy systems. It is especially beneficial in medical image noise reduction. First stage we feed the input image into four general noise reduction filters in parallel. These general filters are: mean filter, median filter, weighted median filter and the adaptive median filter. At the second stage we give the output of the above filters as input into a Neuro-Fuzzy system. As expected, the ability of Neuro-Fuzzy systems in encoding human knowledge and using non-deterministic knowledge, allow us to achieve much more noise reduction from the input images. We implement the proposed method and use it for reduction of noise from a set of medical images affected with high noise density. Experimental results show that the idea is considerably effective.