ترجمه طلایی الگوهای مِش محلیدر برابر الگوهای باینری محلی: نمایه­سازی و بازیابی تصویر پزشکی

الگوهای مِش محلیدر برابر الگوهای باینری محلی: نمایه­سازی و بازیابی تصویر پزشکی

چکیده

در این مقاله، یک الگوریتم جدید نمایه­سازی و بازیابی تصویر با استفاده از الگوهای مِش برای استفاده در بازیابی تصویر پزشکی پیشنهاد شده است. الگوریتم باینری محلی استاندارد رابطه­ی بین پیکسل مرجوعی (مورد نظر) و همسایه­های اطراف آن را کدگذاری می­کند، در حالیکه روش پیشنهادی رابطه­ی میان همسایه­های اطراف یک پیکسل مرجوعیِ مشخص در یک تصویر را کدگذاری می­کند. روابط ممکن میان همسایه­های اطراف به تعداد همسایه­ها، P، بستگی دارد. علاوه بر این، کارایی الگوریتم پیشنهادی در این مقاله با ترکیب این الگوریتم با تبدیل گابور اثبات شده است. برای اثبات کارایی این الگوریتم سه آزمایش بر روی سه پایگاه داده­ی مختلف تصویر پزشکی پیاده­سازی شده است. دو آزمایش از این سه آزمایش برای توموگرافی کامپیوتری (CT) و یک آزمایش برای رزونانس مغناطیسی (MR) بازیابی تصویر انجام می­شود. سپس اشاره خواهد شد که پایگاه داده­ی مورد نظر برای سه آزمایش عبارتند از: پایگاه داده­ی OASIS-MRI، پایگاه داده­ی NEMA-CT و پایگاه داده­ی VIA/I-ELCAPکه شامل ناحیه­ی تصاویر CT مورد نظر است. نتایج پس از بررسی بهبود معناداری بر حسب معیارهای ارزیابی آن­ها در مقایسه با LBP، LBP با تبدیل گابور، و دیگر روش­های فضایی و دامنه­ی تبدیل نشان داد.

واژگان کلیدی

بازیابی تصویر پزشکی (CBIR)، تبدیل گابور (GT)، الگوری باینری محلی (LBP)، الگوهای مش محلی (LMeP)، بافت.

IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS, VOL. 18, NO. 3, MAY 2014 929
Local Mesh Patterns Versus Local Binary Patterns: Biomedical Image Indexing and Retrieval
Subrahmanyam Murala and Q. M. Jonathan Wu, Senior Member, IEEE
Abstract—In this paper, a new image indexing and retrieval algorithm using localmesh patterns are proposed for biomedical image retrieval application. The standard local binary pattern encodes the relationship between the referenced pixel and its surrounding neighbors, whereas the proposed method encodes the relationship among the surrounding neighbors for a given referenced pixel in an image. The possible relationships among the surrounding neighbors are depending on the number of neighbors, P . In addition, the effectiveness of our algorithm is confirmed by combining itwith the Gabor transform. To prove the effectiveness of our algorithm, three experiments have been carried out on three different biomedical image databases. Out of which two are meant for computer tomography (CT) and one for magnetic resonance (MR) image retrieval. It is further mentioned that the database considered for three experiments are OASIS-MRI database, NEMA-CT database, and VIA/I–ELCAP database which includes region of interest CT images. The results after being investigated show a significant improvement in terms of their evaluation measures as compared to LBP, LBP with Gabor transform, and other spatial and transform domain methods.
Index Terms—Biomedical image retrieval (CBIR), Gabor transform( GT), local binary pattern (LBP), local mesh patterns (LMeP), texture.

1. 1.      مقدمه

الف) انگیزه

برای پرداختن به این مساله، بازیابی تصویر پزشگی مبتنی بر محتوا بوجود آمد. بازیابی تصویر مبتنی بر محتوا (CBIR) از محتواهای تصویری یک تصویر همانند رنگ، بافت، شکل، چهره­ها، طرح فضایی و غیره برای بیان و نمایه­ کردن پایگاه داده­ی تصویری استفاده می­کند. سیستم­های بازیابی تصویر پزشکی قبلی موجود در [1]-[6] ارائه شده­اند. استخراجویژگیدر CBIRگام بسیار مهمی است که کارایی آن بهروشاتخاذ شدهبرایاستخراجویژگی­هاییاز تصاویر معین بستگی دارد. مرورجامعوگسترده­ای بر منابع CBIRدر [7]-[11] ارائه شده است.