چکیده

مقدمه:

پردازش تصاویر پزشکی از جمله مهمترین مراحل برای استفاده بهینه از اطلاعات بیمار و تشخیص موثر بیماریها می باشد. نویززدایی، سوپررزولوشن  و ادغام تصاویر پزشکی،  از جمله مهمترین مراحل برای بهره برداری بهینه از تصاویر است. تصاویر به دست آمده از دستگاههای مختلف، معمولا آلوده به نویز هستند و یا با نرخی پایین تر از نرخ مورد نیاز نمونه برداری شده اند. به همین دلیل کیفیت لازم جهت استخراج اطلاعات را ندارند. از این رو برای به کار گیری موثرتر آنها نیاز است نویززدایی شوند و رزولوشن آنها افزایش بیابد. به علاوه، در بسیاری از موارد نیازمند به کارگیری همزمان چندین تصویر به دست آمده از یک بیمار برای تشخیص موثرتر بیماری هستیم. در این پژوهش برآن بودیم تا با استفاده از پردازش های مرتبه بالا (تانسوری) به بررسی نویززدایی، سوپررزولوشن و ادغام تصاویر پزشکی بپردازیم.

روش‌پژوهش:

در این پژوهش از به بررسی انواع روش های تجزیه تانسوری برای نویززدایی، سوپررزولوشن و ادغام تصاویر پزشکی پرداخته شد. انواع تجزیه های تانسوری شامل روش های کلاسیک از جمله CP (CONDECOMP/PARAFAC)، تاکر و(Higher Order Singular Value Decomposition)  HOSVD و نیز پردازش های جدیدتر از جمله پردازش های قطار و حلقه تانسور مورد بررسی قرار گرفت. به علاوه دادگان مختلفی از تصاویر پزشکی که برای تشخیص انواع مختلف بیماری ها استفاده میشوند مورد مطالعه قرار گرفتند. هرکدام از روش های تجزیه به طور جداگانه برای اهداف نویززدایی، سوپررزولوشن و ادغام داده ها مورد مطالعه و بررسی قرار گرفتند. به علاوه، با توجه به این که اغلب داده های پزشکی دارای مرتبه پایینی هستند، روش های افزایش بعد که به اختصار روش های تانسورسازی نام دارند نیز مورد مطالعه و بررسی قرار گرفتند. 

یافته‎ها:

یافته های حاصل از این مطالعه نشان گر توانایی روش های بر مبنای تجزیه تانسوری برای انواع پردازش های تصاویر پزشکی می باشد. تجزیه های تانسوری قابلیت حفظ اطلاعات چند بعدی داده ها را دارند در حالی که پردازش های ماتریسی بسیاری از این اطلاعات را از دست میدهند. به همین دلیل استفاده از روش های بر مبنای تجزیه تانسور به طور قابل توجهی کیفیت پردازش و تحلیل اطلاعات و تصاویر پزشکی را افزایش می دهد. این توانایی در روش های کلاسیک تجزیه تانسوری به اثبات رسیده است در حالی که روشهای جدید تر پردازش های تانسوری از جمله تجزیه شبکه های تانسوری کمتر مورد استفاده و بررسی قرار گرفته اند. در این طرح بر آن بودیم که با اثبات اهمیت استفاده از پردازش های تانسوری در پردازش تصاویر پزشکی، به لزوم بهره گیری از روش های نوین تجزیه های خانواده تانسور بپردازیم. نتایج حاصل از این پژوهش توانایی این روش های نوین در تحلیل تصاویر پزشکی را نشان داد، و لزوم توجه بیش از پیش پژوهشگران به این روش های نوین را بیان نمود. 

نتیجه‎گیری:

روش های تانسوری از جمله روش های نوین پردازشی در حوزه های مختلف پردازش تصویر و سیگنال می باشند. این روش ها و به خصوص روش های کلاسیک پردازش تانسور در حوزه های تصاویر پزشکی نیز ورود پیدا کرده اند و کارایی و کیفیت خود را در مقایسه با روش های ماتریسی به اثبات رسانده اند. این روش های در جنبه های مختلف پردازش تصویر پزشکی از جمله نویززدایی، سوپررزولوشن و ادغام تصاویر ورود پیدا کرده اند. با این وجود، نتایج این طرح بیان گر این است که روش های جدیدتر پردازش های تانسوری که شامل پردازش های شبکه های تانسوری است برای تحلیل تصاویر پزشکی کمتر مورد استفاده قرار گرفته اند و یا حتی در برخی حوزه ها کاملا نادیده گرفته شده اند. این در حالی است که کارایی این روش ها در دیگر زمینه های پردازشی (غیر پزشکی) به اثبات رسیده است. به طور کلی این موضوع دارای دو دلیل است، اول، جدید بودن این روش ها و ناشناخته بودن آنها برای بسیاری از محققین و دوم نیاز این روش ها به داشتن داده های از مرتبه بالا. در این طرح این موضوع به طور کامل بررسی گردید و لزوم استفاده از روش هایی که با عنوان تانسور سازی شناخته میشوند برای ایجاد داده های از مرتبه بالا بیان شد. در انتها، در این طرح سعی گردید تا ایده ها و روش های نوین بر مبنای تجزیه تانسوری برای تحلیل تصاویر پزشکی را مورد بررسی قرار بدهد.