رفتن به محتوای اصلی
x

مدل سازی ریاضی داده پزشکی

برای مشاهده فیلم معرفی هسته مدل سازی ریاضی داده پزشکی اینجا را کلیک کنید.

مدلسازی آماری تصویر با استفاده از فرایندهای تصادفی نامتغیر کروی و کاربرد آن در پردازش تصاویر پزشکی در حوزه تبدیلهای تُنُک مدل کردن صحیح سیگنال را می توان بعنوان هسته اولیه بسیاری از پردازشها دانست. در واقع مدل در نظر گرفته شده برای سیگنال، فرایند مورد نیاز برای پردازش از قبیل بهبود کیفیت [1] ،کدینگ [2] ،فشرده سازی [3] ،استخراج ویژگی [4] ،طبقه بندی [5] و ... را تعریف می کند. بطور معمول در سیگنالها و تصاویر واقعی [6] اعمال یک مدل معین [7] بعلت پیچیدگی ذاتی و تاثیر عوامل متعدد در ثبت سیگنال مقدور نمی باشد. این مساله بویژه در مورد سیگنالهای حیاتی بعلت تاثیر ارگانهای مختلف داخل بدن بریکدیگر و دیگر عوامل محیطی و تکنیکی دوچندان می باشد. بر این اساس بطور معمول از مدلهای آماری [8] همچون میدان تصادفی مارکف [9] که فعل و انفعالات اجزای مختلف سیگنال را بصورت آماری و با استفاده از مدلهای مناسب شبیه سازی می نمایند جهت مدل کردن سیگنالها و تصاویر طبیعی استفاده می شود  .بطور معمول مدل کردن آماری تصاویر در حوزه تبدیلهای تُنُک [10] با پیچیدگی کمتری در مقایسه حوزه تصویر صورت می پذیرد. بعنوان نمونه خواصی همچون دُم دار بودن توزیع کناری [11]، ناهمبسته بودن تابع چگال احتمال توام [12] ، همبستگی درون مقیاسی [13] ، مابین مقیاسی [14] و مابین زیرباندی [15] از خصوصیات ضرایب ویولت تصاویر طبیعی می باشد.در این طرح با توجه به ویژگیهای فرایندهای تصادفی نامتغیر کروی [16] درصدد مدل کردن خصوصیات اصلی تصاویر در حوزه تبدیلهای تُنُک می باشیم. با استفاده از آزمونهای مناسب این مدل برای داده های مختلف مورد ارزیابی قرار گرفته و در نهایت کاربرد این مدل در برخی پردازشهای تصاویر پزشکی مورد تحلیل قرار می گیرد.

 

کاربردهای مدلسازی:

ax

 

1) Enhancement        2) Coding        3) Compression        4) Feature extraction        5) Classification       6) Natural signals & images        7) Deterministic   8)Statistical modeling       9) Markov Random Field      10) Sparse transforms       11) Long-tailed marginal distribution       12) Uncorrelated joint probability density function       13) Intrascale dependency       14) Interscale dependency       15) Inter-subband dependency       16) Spherically invariant random processes

 

اهداف هسته :

  • ادامه تحقیقات قبلی بیشتر بر مدل های ترکیبی مبتنی بر انرژی و آماری
  • برگزاری جلسات همـفکری با افراد علاقمند در حوزه مدلسازی
  • همکاری مشترک با دانشگاههای دیگر (به عنوان مثال در قالب طرح های مشترک)

 

مقالات اخیر چاپ شده در این حوزه:

statistical modeling

  • Statistical inference of COVID-19 outbreak: Delay distribution effect in EQIR modeling of epidemic, M Tajmirriahi, Z Amini, R Kafieh, H Rabbani, A Mirzazadeh, Shaghayegh Haghjooy Javanmard, Journal of Medical Signals and Sensors 12 (2), 95-107,2022.
  • Modeling of retinal optical coherence tomography based on stochastic differential equations: Application to denoisine, M Tajmirriahi, Z Amini, A Hamidi, A Zam, H Rabbani - IEEE Transactions on Medical Imaging, 2021.
  • Statistical modeling of retinal optical coherence tomography using the Weibull mixture model,S Jorjandi, Z Amini, G Plonka, H Rabbani - Biomedical Optics Express, 2021.
  • Multivariate Statistical Modeling of Retinal Optical Coherence Tomography, Samieinasab M, Amini Z, Rabbani H. IEEE Transactions on Medical Imaging, 2020.
  • Sparse Domain Gaussianization for Multi-variate Statistical Modeling of Retinal OCT Images, Amini Z, Rabbani H, Selesnick I,  IEEE Transactions on Image Processing, 2020.
  • M. Momenzadeh, M. Sehhati, H. Rabbani, “Using hidden Markov model to predict recurrence of breast cancer based on sequential patterns in gene expression profiles”, Journal of Biomedical Informatics, Vol. 111, 2020
  • Daneshmand PG, Rabbani H, Mehridehnavi A. Super-Resolution of Optical Coherence Tomography Images by Scale Mixture Models. IEEE Transactions on Image Processing. 2020 Apr 7; 29:5662-76.
  • OCT Image Denoising Based on Asymmetric Normal Laplace Mixture Model. Jorjandi S, Rabbani H, Amini Z, Kafieh R., Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) 2019 Jul 23 (pp. 2679-2682). IEEE.Wavelet-domain medical image denoising using bivariate Laplacian mixture model. H Rabbani, R Nezafat, S Gazor, IEEE Transactions on Biomedical Engineering, 56 (12), 2826-2837, 2009.
  • Image denoising employing local mixture models in sparse domains. H Rabbani, S Gazor. Image Processing, IET 4 (5), 413-428, 2010.

 

PDE and Energy-based Modeling

  • Reconstruction of Connected Digital Lines Based on Constrained Regularization, M. Lashgari, H. Rabbani, G. Plonka and I. Selesnick,  IEEE Transactions on Image Processing, 2022.
  • Super-resolution of optical coherence tomography images by scale mixture models, PG Daneshmand, H Rabbani, A Mehridehnavi, IEEE Transactions on Image Processing, 2020.
  • Reconstruction of optical coherence tomography images using mixed low rank approximation and second order tensor based total variation method, PG Daneshmand, A Mehridehnavi, H Rabbani, IEEE Transactions on Medical Imaging, 2020.
  • Optical oherence tomography image reconstruction Using Morphological Component Analysis, M Mokhtari, PG Daneshmand, H Rabbani - International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2019.
  • Missing surface estimation based on modified tikhonov regularization: Application for Destructed dental tissue, Lashgari, M., Shahmoradi, M., Rabbani, H. and Swain, M., IEEE Transactions on Image Processing, 2018.

 

Geometrical Modeling

  • Mathematical analysis of texture indicators for the segmentation of optical coherence tomography images, Maryam Monemian, Hossein Rabbani, Optik, 2020.
  • Segmentation of choroidal boundary in enhanced depth imaging OCTs using a multiresolution texture based modeling in graph cuts, H Danesh, R Kafieh, H Rabbani, F Hajizadeh, Computational and mathematical methods in medicine, 2014.
  • Curvature Correction of Retinal OCTs Using Graph-Based Geometry Detection, Raheleh Kafieh, Hossein Rabbani, Michael D. Abramoff, Milan Sonka, Phys. Med. Biol., 2014.
  • Intra-retinal layer segmentation of 3D optical coherence tomography using coarse grained diffusion map, Raheleh Kafieh, Hossein Rabbani, Michael D. Abramoff, Milan Sonka, Medical Image Analysis, 2013.
  طرح های پژوهشی تعریف شده:
  • طرح های مبتنی بر مدلسازی آماری:

- کاربرد یادگیری عمیق در مدلسازی روند رشد بیماری کرونا، ۱۴۰۰.

- طبقه بندی بخشهای تشنجی و خالی از تشنج سیگنال EEG  بیماران صرعی با استفاده از مدلسازی بر مبنای معادلات دیفرانسیل آماری، ۱۴۰۰. -تولید اتوماتیک تصاویر ساختگی  OCT با استفاده از مدل شکل پذیر فعال، ۱۴۰۰. -مدلسازی آماری چند متغیره تصاویر OCT شبکیه، ۹۹.
  • طرح های مبتنی بر مدلسازی انرژی و PDE:
- مرور و مقایسه مدل های حرارتی ارایه شده برای توزیع حرارت در سطح پوست بدن جهت شناسایی تومور، ۹۹. - رویکرد جدید برای درونیابی تصاویر باینری با استفاده از مدل تنظیم تیخنوف محدود شده، ۹۷. - تخمین سطح تخریب شده با استفاده از مدل تنظیم تیخنوف اصلاح شده: کاربرد در بافت دندانی تخریب شده، ۹۷.
  • طرح های مبتنی بر مدلسازی هندسی:
- آنالیز ریاضی نشانگرهای بافت به منظور بخش بندی تصاویر OCT  شبکیه، ۹۹.
  • طرح های مبتنی بر مدلسازی ترکیبی:
- مدلسازی هندسی تصاویر سه بعدی OCT  (مدل ساختگی - مدل انرژی) (طرح باز) - استفاده ازMCA  در آموزش کتابخانه ای تصاویر OCT (طرح باز) - تولید تصاویر OCT  با استفاده از مدل مخلوط  در Variational Auto  Encoder (طرح باز)      

 

 

اعضا

  • دکتر حسین ربانی
  • دکتر زهرا امینی
  • دکتر مهنوش تاجمیرریاحی
  • دکتر پریسا قادری
  • دکتر مریم سمیعی نسب
  • مهندس سحر جرجندی
  ‌دبیر هسته
  • دکتر زهرا بهارلویی