Lista przedmiotów z materiałami udostępnionymi dla studentów

Dla_studentów
  • Increase font size
  • Default font size
  • Decrease font size

Anna Wieczorek

Segmentacja obrazów CT nerek z wykorzystaniem algorytmu optymalizacji rojem cząstek


Segmentation of the CT kidney images using particle swarm optimization algorythm


Opiekun pracy dyplomowej: dr hab. inż. Artur Klepaczko
Praca dyplomowa magisterska obroniona 2017-03-10
Streszczenie pracy dyplomowej:
W pracy magisterskiej zaproponowano rozwiązanie problemu segmentacji obrazów CT nerek z wykorzystaniem algorytmu optymalizacji rojem cząstek (PSO). Segmentacja obrazów odgrywa kluczową rolę w procesie analizy i oceny anatomii nerek oraz diagnozowaniu chorób dotyczących tego organu. Algorytm PSO pozwala na wydzielenie z obrazu trzech głównych części nerek: kory nerkowej, miedniczek nerkowych i piramidek nerkowych. Oprócz wczytania obrazów, zadaniem użytkownika aplikacji jest wprowadzenie danych niezbędnych do uruchomienia algorytmu PSO i liczby kastrów. Segmentacja z wykorzystaniem metody PSO opiera się jedynie na jednej informacji ekstrahowanej z obrazu - wartości piksela. Rezultaty segmentacji obrazów testowych zwrócone przez algorytm PSO zostały porównane z rezultatami uzyskanymi algorytmem k-średnich. Wyniki dowodzą, że lepsze rezultaty uzyskane zostały w przypadku segmentacji z udziałem algorytmu PSO. Każda z części nerek została lepiej wyodrębniona. Algorytm PSO zapewnia lepsze wydzielenie klastrów poprzez większą˛ separacje˛ pomiędzy każdą˛ parą klastrów oraz zmniejszenie odległości pomiędzy przypisanymi pikselami do danego klastra.
Abstract:
In this master thesis solution for CT kidney image segmentation based on existing Particle Swarm Optimization (PSO) clustering algorithm is proposed. Image segmentation plays crucial role in analysis of kidney anatomy and diseases. The PSO clustering algorithm finds three main parts of the kidney: medulla, cortex and renal pelvis. User provides only parameters to PSO algorithm and number of clusters. The PSO based method segments image into clusters using only one information of image - the pixel value. The algorithm PSO has been compared with K-means algorithm within set of testing CT images. Results proves that PSO kidney segmentation is method which achieves better clustered kidney than K-means algorithm. Each part of kidney represents cluster which are more solid. PSO provides better separation of any pair of clusters, and minimizes the distances between pixels and assigned cluster means.