105663 - پردازش تصویر

سلام وقتتون بخیر ی پایان نامه واسه ارشد میخاستم راجب پردازش تصویر هست موضوعش صفر تا صدشو فقط طبق این ویس ک با استاد راهنما صحبت کردم میخام باشه کاهش نویز Speckle در تصاویر Ultrasound با استفاده از یادگیری ماشین مبتنی بر ویژگی‌های آماری محلی ۱. بیان مسئله (Problem Statement) تصاویر Ultrasound به‌طور گسترده در تشخیص‌های پزشکی مورد استفاده قرار می‌گیرند، اما ذات فرآیند تصویربرداری موجب ایجاد نویز Speckle می‌شود که ماهیتی تصادفی و ضرب‌شونده دارد. این نویز باعث کاهش کنتراست، محو شدن لبه‌ها و افت دقت تشخیص می‌گردد. روش‌های کلاسیک کاهش نویز Speckle مانند فیلترهای Lee، Frost و SRAD معمولاً بر پایه فرض‌های آماری ساده و پارامترهای ثابت طراحی شده‌اند و قادر به تطبیق مناسب با تغییرات بافتی تصویر نیستند. از سوی دیگر، روش‌های مبتنی بر یادگیری عمیق اگرچه عملکرد خوبی دارند، اما پیچیدگی بالا، نیاز به داده‌های زیاد و عدم تفسیرپذیری، استفاده از آن‌ها را در سطح کارشناسی ارشد با محدودیت مواجه می‌کند. بنابراین، نیاز به روشی وجود دارد که ضمن حفظ سادگی و تفسیرپذیری، بتواند به‌صورت تطبیقی بافت تصویر و شدت نویز را در نظر بگیرد. ۲. هدف تحقیق (Objectives) هدف اصلی این پژوهش، کاهش نویز Speckle در تصاویر Ultrasound با حفظ لبه‌ها و جزئیات بافتی با استفاده از یادگیری ماشین سبک و مبتنی بر ویژگی‌های آماری است. اهداف جزئی: استخراج ویژگی‌های آماری و بافتی محلی از تصویر Ultrasound استفاده از یادگیری ماشین برای: تخمین سطح نویز محلی یا انتخاب تطبیقی پارامتر فیلتر کاهش نویز بهبود عملکرد فیلترهای کلاسیک به‌صورت ناحیه‌به‌ناحیه مقایسه کمی و کیفی با روش‌های مرجع ۳. نوآوری‌های تحقیق (Contributions) نوآوری‌های اصلی این پایان‌نامه عبارت‌اند از: استفاده از یادگیری ماشین کلاسیک برای کنترل تطبیقی فیلترهای آماری کاهش نویز Speckle ترکیب ویژگی‌های آماری مبتنی بر فرآیندهای تصادفی با ML حفظ تفسیرپذیری مدل در مقایسه با روش‌های DL بهبود کیفیت تصویر بدون افزایش چشمگیر پیچیدگی محاسباتی نکته مهم: نوآوری در «نحوه استفاده از ML» است، نه صرفاً استفاده از ML. ۴. روش پیشنهادی (Methodology) گام ۱: پیش‌پردازش نرمال‌سازی شدت تصویر تقسیم تصویر به پنجره‌های محلی هم‌پوشان گام ۲: استخراج ویژگی‌ها برای هر پنجره: ویژگی‌های آماری: Mean، Variance، Skewness، Kurtosis ویژگی‌های بافتی: Entropy GLCM (Contrast, Correlation, Homogeneity) گام ۳: یادگیری ماشین آموزش یک مدل ML (SVM یا Random Forest) برای: تخمین سطح نویز یا تعیین پارامتر بهینه فیلتر (مثلاً ضریب Lee) گام ۴: اعمال فیلتر تطبیقی اعمال فیلتر کلاسیک با پارامتر خروجی ML پردازش ناحیه‌ای (Adaptive Filtering) گام ۵: ارزیابی معیارهای کمی: PSNR SSIM ENL ارزیابی بصری توسط تصاویر مرجع ۵. دیتاست‌های پیشنهادی Breast Ultrasound Image Dataset Thyroid Ultrasound Dataset دیتاست‌های عمومی Kaggle / UCI (تصاویر پزشکی) ۶. ابزارها و نرم‌افزار MATLAB (Image Processing Toolbox, Statistics & ML Toolbox) یا Python (NumPy, OpenCV, Scikit-learn) ۷. ساختار پیشنهادی پایان‌نامه مقدمه و مرور ادبیات مبانی نویز Speckle و ویژگی‌های آماری تصویر روش پیشنهادی مبتنی بر ML نتایج شبیه‌سازی و تحلیل جمع‌بندی و پیشنهادات آینده این فرایندش هست با موضوع گام ها و مراحلش هست و سمینار مقالات مشابه رو در بیارم کارهایی که برای سمینار انجام میدیم یا همینو میبریم جلو تو سمینار یا تو همین عنوان یا با روشی‌ نهایتا پروپوزالو بدم آماده کردن پروپوزال (بگردیم ببینیم در چه حوزه هایی کار شده میشه واسه بخش سمینار) مقالات رو میخونیم تطابق مقاله ها با هم رو میبینیم از کجا شروع شده چرا انجام میشه و روش هایی وجود داره و مزایا و معایب و چیا دارن ادامه پیدا میکنن تهشو بگیریم به ی روشی برسیم یک improvement  برسیم یک contribution توش اراعه بدیم ترجیح این طور باشع که رو ساختار  اون شبکه ای ک هست یا ساختار ریاضی یا بهینه سازی مدل سازی نویزی این شکلی باشه نه اینکه اولترا سوند کلیه زده ما بریم اولترا سوند تیروعید بزنیم فقط دیتا ست عوض کنیم ارزشی ندارع به استاد راهنما باید اطلاعات بدیم با خواندن چند مقاله همون گزارش دادن بعد کم و زیاد میکنیم با نتیجه برسیم این هم صحبتای استاد راهنمام هست ک گفتن طبق این روال باشه خیلی ممنونم🙏 اینم ویس صحبت کردن با استاد راهنمام هست

Academy

امتیاز : 8.29 از 10