طراحی سیستم بازیابی مبتنی بر محتوا برای تصاویر mri تومور مغزی

امروزه با توجه به رشد چشمگیر تکنولوژی تصویربرداری در زمینه تصاویر پزشکی، انواع مختلفی از تصاویر مانند ct، mri، x-ray به وجود آمده است. بازیابی تصویر از میان حجم انبوه تصاویر، فرآیند مهمی در کاربردهای پزشکی است. هر سیستم cbir وابسته به دو فاکتور مهم استخراج ویژگی و معیار شباهت است. به منظور بهبود دقت یک سیستم cbir تحقیقات متعددی صورت پذیرفته است. روش های مختلف استخراج ویژگی و معیار شباهت درگذشته استفاده شده است. از آنجایی که در تحقیقات گذشته، معمولاً برای استخراج ویژگی، از ویژگی های سطح پایین و برای معیارهای شباهت از معیارهای فاصله قدیمی غیر منعطف استفاده شده است، کارایی سیستم کاهش می یابد. به همین منظور در روش پیشنهادی، یک سیستم cbir با امکان استخراج چند نوع ویژگی به صورت همزمان و هم چنین استفاده از یک معیار فاصله مبتنی بر یادگیری به عنوان معیار شباهت معرفی می گردد. هدف این سیستم بهبود دقت است. در این راستا، از استخراج ویژگی های جهانی و محلی به صورت همزمان استفاده شده است. ویژگی های بافت و شکل به عنوان ویژگی های جهانی هستند. استخراج ویژگی بافت با تکنیک موجک گابور و استخراج ویژگی شکل با الگوریتم canny صورت گرفته است و به منظور استخراج ویژگی محلی از تکنیک fisher vector استفاده شده است. پس از استخراج ویژگی های نامبرده، هر یک از بردارهای ویژگی به صورت جداگانه توسط روش min-max نرمال سازی می گردند. بردارهای ویژگی حاصل به یکدیگر الحاق می شوند و تشکیل بردار ویژگی نهایی را می دهند. در نهایت برای اندازه گیری میزان شباهت تصاویر پایگاه داده و تصویر مورد پرس و جو از معیار شباهت fda استفاده شده است. این روش بر روی مجموعه پایگاه داده شامل 3064 عکس mri تومور مغزی از نوع های meningiomas و gliomas و pituitary انجام شده است. نتایج حاصل از آزمایش نشان دهنده بهبود دقت سیستم cbir پایه دارد. کارایی سیستم پیشنهادی نشان دهنده دقت 95.77 درصدی است.