@article { author = {Yousefi Rizi, Fereshte and Ahmadian, Alireza and Alirezaie, Javad and Fatemizadeh, Emadoddin and Rezaei, Nader}, title = {A Robust to Leakage Method for Airway Tree Segmentation Based on Shape Feature Optimization}, journal = {Iranian Journal of Biomedical Engineering}, volume = {2}, number = {3}, pages = {165-177}, year = {2008}, publisher = {Iranian Society for Biomedical Engineering}, issn = {5869-2008}, eissn = {9685-8006}, doi = {10.22041/ijbme.2008.13426}, abstract = {Partial volume effect and image noise greatly decrease the visibility of the airway wall. Another dilemma with airway segmentation methods, which significantly influences their accuracy, is the leakage into the extra-luminal regions due to thinness of the airway wall during the process of segmentation. A solution to this problem in the previous methods was based on leak detection and reduction by adjusting the segmentation parameters and performing the whole segmentation process, which is very time consuming and demands user interaction. The new strategy presented here is to prevent the leakage by taking the advantage of the fact that the airway branches are cylindrically shaped objects. This has been achieved by introducing a new mathematical shape optimization approach embedded in FC-FCM algorithm to retain the cylindrical properties of the airway branches during the segmentation process. The main role of this optimization approach is to detect and correct the underlying voxels which belonging to the airway by satisfying both conditions of the fuzzy connectivity and shape features.  The proposed FC-FCM algorithm was first applied on four data sets each containing 430 CT images of CT images of airway tree. The result showed an accuracy of 93% obtained for segmentation of the airway tree up to the fourth generation. We then applied OPT-FC-FCM algorithm to segment the airway tree with optimization process up to the sixth generation of airway. The result proves the ability of our proposed method to complete a visually acceptable segmentation of airway trees with no leakage. The number of detected branches was found 65 (4 times of those obtained by using just the FC-FCM method).}, keywords = {Airway segmentation,Fuzzy connectivity,shape optimization,Center estimation}, title_fa = {ارائه یک روش مقاوم در برابر نشتی به منظور بخش بندی درخت راه های هوایی مبتنی بر بهینه سازی ویژگی های شکل}, abstract_fa = {پیچیدگی ساختار درخت راه هوایی، اثر جزئی حجم بر شاخه های ریز و کنتراست پایین بین بافت های موجود در قفسه سینه، بخش بندی آن را دشوار می سازد. پدیده نشتی به عنوان یکی از بزرگ ترین مشکلات در مسیر بخش بندی تصاویر پزشکی به ویژه در موارد پیچیده ای مانند راه های هوایی است. روش اتصال فازی با بهره گیری همزمان از دو خاصیت اصلی تصاویر یعنی وجود همگونی در وکسل های متعلق به یک شی و وجود یک ارتباط درهم آمیخته بین آنها، و با در نظر گرفتن خاصیت فازی ذاتی تصاویر پزشکی، الگوریتم کارامدی برای بخش بندی ساختارهای پیچیده مانند راه های هوایی است. در رویکرد جدید اتصال فازی مبتنی بر خوشه یابی فازی FCM، که تحت عنوان FC-FCM به وسیله همین گروه مطرح شده است، ضمن عدم نیاز به تعیین متغیرهای اولیه، فضای جستجو نیز با بهره گیری از تابع عضویت فضایی فازی در فرایند برگشتی رشد هسته اولیه محدود شده است. اما در تعیین شاخه های پس از لایه سوم با نشتی مواجه می شود. امکان تشخیص نشتی فقط پس از رشد آن و فرایند زمان بر تکرار بخش بندی با متغیرهای جدید که روش متداول در رویارویی با پدیده نشتی است، ما را به سمت ارائه یک فرایند بهینه سازی مبتنی بر شکل در بطن الگوریتم اتصال فازی، برای جلوگیری از تشکیل نشتی به عنوان یک شیوه جدید رهنمون شده است. با در نظر گرفتن ساختار استوانه ای شاخه های درخت راه های هوایی تابع هزینه ای که شاخصی از میزان استوانه ای بودن است، معرفی و به کار گرفته شد. شایان ذکر است کمینه کردن آن به قرار گرفتن وکسل ها در نظام استوانه ای منجر گردید. با کاربرد رویکرد جدید اتصال فازی راه های هوایی تا لایه چهارم با دقت 92.92% استخراج شدند. با استفاده از فرایند بهینه سازی در بطن رویکرد جدید اتصال فازی، ضمن ممانعت از تشکیل نشتی، شاخه های درخت راه هوایی تا لایه ششم بخش بندی شد. چنان که نتایج نشان می دهد، الگوریتم پیشنهادی OPT-FC-FCM قادر به تشخیص شاخه ها، چهار برابر بیشتر از روش FC-FCM است. تعداد کل شاخه های بخش بندی شده در روش 65 OPT-FC-FCM شاخه است که نسبت به تعداد کل شاخه های استخراج شده از روش) FC-FCM با 15 شاخه) 4 برابر بیشتر است.}, keywords_fa = {بخش بندی راه های هوایی,اتصال فازی,بهینه سازی شکل,تخمین مرکز}, url = {https://www.ijbme.org/article_13426.html}, eprint = {https://www.ijbme.org/article_13426_2c7356b07d5d8d4511ab2a3439a82280.pdf} } @article { author = {Tolouee, Azar and Abrishami Moghaddam, Hamid and Giti, Masoume}, title = {A CAD System for Automatic Recognition of Lung Interstitia Tissue Patterns in HRCT Images}, journal = {Iranian Journal of Biomedical Engineering}, volume = {2}, number = {3}, pages = {179-189}, year = {2008}, publisher = {Iranian Society for Biomedical Engineering}, issn = {5869-2008}, eissn = {9685-8006}, doi = {10.22041/ijbme.2008.13427}, abstract = {Automatic classification of lung tissue patterns in high-resolution computed tomography (HRCT) images of patients affected with interstitial lung diseases (ILD) is an important stage in the construction of a computer-aided diagnosis system. In this study, classification of Jung tissue patterns was conducted using a new machine learning approach. The proposed system comprises three stages. In the first stage, the parenchyma region in HRCT lung images is separated using a set of thresholding, filtering and morphological operators. In the second stage, two sets of overcomplete wavelet filters, namely discrete wavelet frames and rotated wavelet frames are utilized to extract the features from the defined regions of interest (ROJs) within parenchyma. Then, in the third stage, the fuzzy k-nearest neighbor algorithm is employed to perform the pattern classification. Our experiments in lung pattern classification were rendered on four different lung tissue patterns (ground glass, honey combing, reticular, and normal) selected from a database of 340 images from 17 subjects. After applying the technique to classify these patterns in small ROis, we extended the classification scheme to the whole lung in order to produce the quantitative scores of abnormalities in lung parenchyma of the patients. The performance of the proposed method was compared with two state-of-the-art computer based methods for lung tissue characterization. It was also validated against the experienced observers. The average kappa statistic of agreement between two radiologists and the computer was found to be 0.6543 where as the average kappa statistic for the interobserver agreement was 0.6848. This computer system can approach the performance of the expert observers in the diagnosing regions of interest and can help to produce objective measures of abnormal patterns in lung HRCT images. }, keywords = {Lung segmentation,HRCT images,Interstitial lung diseases,Discrete wavelet frames,Rotated wavelet frames,Fuzzy k-nearest neighbor classifier}, title_fa = {یک سیستم تشخیص به کمک کامپیوتر به منظور بازشناسی خودکار الگوهای بافت بینابینی ریه در تصاویر HRCT}, abstract_fa = {تشخیص خودکار الگوهای پاتولوژیک ریوی در تصاویر HRCT بیماران مبتلا به ناهنجاری های بافت بینابینی ریه(ILD) ، مرحله ای مهم در ایجاد یک سیستم تشخیص به کمک کامپیوتر محسوب می شود. الگوریتم ارائه شده برای دسته بندی الگوهای بافت ریه شامل 3 مرحله است: در مرحله اول ریه از پس زمینه جدا می شود. در مرحله دوم دو بانک فیلتری موجک فوق کامل به نام های فریم های موجک گسسته (DWF) و فریم های موجک دوران یافته (RWF) برای استخراج ویژگی از نواحی مطلوب (ROI) تعریف شده درون بافت ریه استفاده می شوند؛ در نهایت الگوریتم k نزدیکترین همسایه فازی برای دسته بندی الگوها اعمال می گردد. در این مطالعه 4 الگوی مرتبط با) ILD شیشه مات، لانه زنبوری، رتیکولار و نرمال) از یک پایگاه داده شامل 340 تصویر HRCT انتخاب شده و مورد بازشناسی قرار می گیرند. عملکرد سیستم کامپیوتری با عملکرد دو رادیوژیست مورد ارزیابی قرار می گیرد. ضریب توافق کاپا بین سیستم و دو رادیولوژیست در مقایسه با ضریب توافق 0.6848 بین دو رادیولوژیست، به طور متوسط 0.6543 است. چنین سیستمی می تواند به بهبود تصمیم گیری و کارایی پزشک از طریق تسهیل کشف و ارزیابی الگوهای تصویری پیچیده، کاهش تفاوت میان مشاهده گرها و حذف اعمال تکراری و گاهی خسته کننده منجر شود.}, keywords_fa = {بخش بندی ریه,تصاویر HRCT,بیماری های بافت بینابینی ریه,فریم های موجک گسسته,فریم های موجک دوران یافته,طبقه بندی کننده k نزدیکترین همسایه فازی}, url = {https://www.ijbme.org/article_13427.html}, eprint = {https://www.ijbme.org/article_13427_3ebdad5a1c94e94ec225ddc1fe61d50b.pdf} } @article { author = {Fatemizadeh, Emadoddin and Shooshtari, Parisa}, title = {A Selective Three Dimensional Magnetic Resonance Images Compression Method Using Adaptive Mesh Design and Region-Based Wavelet Transform}, journal = {Iranian Journal of Biomedical Engineering}, volume = {2}, number = {3}, pages = {191-201}, year = {2008}, publisher = {Iranian Society for Biomedical Engineering}, issn = {5869-2008}, eissn = {9685-8006}, doi = {10.22041/ijbme.2008.13428}, abstract = {Nowadays due to the huge capacity and bandwidth essentials for medical images, communications and storage purposes, medical images compression is one of most important concepts in this area. Error free compression techniques have the weakness of low compression ratio. On the other hand, lossy techniques with high compression ratio result in low quality of the images. In recent years, some special compression schemes have been suggested by splitting the original image into two regions: Region of Interest (ROI) with lossless compression and the Region of Background (ROB) with lossy compression and a lower quality. In this paper, we proposed a novel selective compression approach to compress 3D brain MR images. For this purpose, an adaptive mesh for the first slice was designed and estimation of the gray levels of the next slices was performed through deformations of the mesh elements. After residual image determination, the error between the original image and the approximated image was transformed to the wavelet domain using a region-based discrete wavelet transform (RBDWT). Finally, the wavelet coefficients were coded by an object-based SPIHT coder. }, keywords = {compression,Adaptive mesh design,region-based discrete wavelet transform,MRI,OB-SPIHT,ROI}, title_fa = {فشرده سازی انتخابی تصاویر MRI سه بعدی با استفاده از مش بندی انطباقی تصویر و اعمال تبدیل ویولت مبتنی بر ناحیه}, abstract_fa = {امروزه با توجه به حجم بالای داده های حاصل از انواع سیستم های تصویربرداری پزشکی، مساله فشرده سازی این گونه تصاویر به یک امر مهم تبدیل شده است. بیشتر روش هایی که تاکنون ارائه شده اند، یا به دلیل حذف اطلاعات مهم پزشکی یا به دلیل پایین بودن نرخ فشرده سازی آنها چندان مطلوب نیستند. به تازگی برخی روش های فشرده سازی تصاویر پزشکی ارائه شده اند که به صورت انتخابی به کدگذاری تصاویر می پردازند. در این روش ها ابتدا تصویر را به دو ناحیه تقسیم می کنند که یکی از نواحی حاوی اطلاعات مهم پزشکی است و باید به صورت بدون اتلاف کد شود. ناحیه دیگر ناحیه ای است که می توان آن را به صورت دارای اتلاف اما با کیفیت بالا فشرده سازی کرد. در این مقاله ما به فشرده سازی تصاویر MRI سه بعدی به صورت انتخابی و مبتنی بر خواص ناحیه با ارائه یک روش جدید پرداخته ایم. بدین منظور پس از مشخص کردن نواحی موردنظر تصاویر، ابتدا برش اول تصویر را به صورت انطباق داده شده با داده های تصویر مش بندی می کنیم. سپس با محاسبه تغییرات هر المان مش در گذر از یک برش به برش دیگر، تخمینی از مقادیر شدت تصویر در برش های بعد به دست می آوریم. در ادامه با استفاده از تبدیل ویولت مبتنی بر ناحیه (RBDWT) و کد کننده OB-SPIHTمقادیر تصویر باقیمانده که از تفاضل برش های تصویر اولیه و تخمین آنها از روی برش قبل حاصل می شوند را کد می کنیم. در این روش ناحیه موردنظر تصویر به طور کامل بدون اتلاف بازیافت می شود.}, keywords_fa = {فشرده سازی,تصویربرداری تشدید مغناطیسی,تبدیل ویولت مبتنی بر ناحیه,OB-SPIHT,ناحیه موردنظر}, url = {https://www.ijbme.org/article_13428.html}, eprint = {https://www.ijbme.org/article_13428_30725308c8f1ee96705039b522bc4a42.pdf} } @article { author = {Marsousi, Mehdi and Alirezaie, Javad and Kocharian, Armen}, title = {Inner-Boundary of Left Ventricle Detection By Using Fast & Adaptive B-Spline Snake, and 3D Model of Left Ventricle}, journal = {Iranian Journal of Biomedical Engineering}, volume = {2}, number = {3}, pages = {203-214}, year = {2008}, publisher = {Iranian Society for Biomedical Engineering}, issn = {5869-2008}, eissn = {9685-8006}, doi = {10.22041/ijbme.2008.13429}, abstract = {In this paper, a new method for boundary detection of left ventricle in echocardiography images is proposed. We have modified B-Spline Snake algorithm to achieve much faster convergence and more reliability toward noises in echocardiography images. A novel approach for inserting new node points during iterations is applied to maintain a maximum distance between two adjacent nodes. This strategy is applied in order to simultaneously increase the smoothness of the contour and optimize the computational time. A multi-resolution strategy is also adapted to provide further robustness toward noises in the images. In addition, morphological operators are utilized to specify the initial contour automatically within the left ventricle chamber in echocardiography images. The parameters of node points are determined during each transition from coarser to finer resolution according to the average intensity of the sample points on the contour near each node point. The volumes of left ventricle in the end of both systolic and diastolic frames are calculated using modified Simpson method. The ejection fraction ratio is also calculated; this is frequently used by specialist before each surgery. Moreover, a method is introduced to draw the 3D model of left ventricle with the aid of basis function of B-Spline. The proposed method is assessed by comparison between the obtained results and clinical observations by expert radiologists and demonstrates a high accuracy. }, keywords = {B-Spline snake,Echocardiography images,Boundary detection,3D model of left ventricle}, title_fa = {به دست آوردن جداره های داخلی بطن چپ به کمک روش سریع مار بی-اسپیلاین تطبیق پذیر و ارائه مدل سه بعدی برای بطن چپ}, abstract_fa = {در این فعالیت تحقیقاتی سعی شده است تا با استفاده از روش مار بی- اسپیلاین، جداره های داخلی بطن چپ قلب استخراج شود. با اعمال اصلاحات و تغییرات مختلف سرعت همگرایی پاسخ و توانایی دوام در برابر اغتشاش افزایش یافته است. با کمک تعریف استراتژی اضافه کردن نقطه گره به کانتور امکان انعطاف بیشتر با حفظ بهینه بودن محاسبات به وجود می آید. به منظور افزایش قدرت و سرعت همگرایی در مراحل تکرار از روش قدرت تفکیک چندگانه استفاده شد. یکی دیگر از اقدامات اندیشیده شده شناسایی کانتور اولیه درون بطن چپ خودکار است. این کار به کمک استفاده از روابط ریاضی مباحث ریخت شناسی میسر شده است. همچنین با توجه به تغییرات سطح روشنایی در مکان های مختلف جداره داخلی بطن چپ ضرایب نیروها برای هر کدام از نقاط گره در هر مرحله درشت نمایی تعیین می شود. پس از آن به کمک روش سیمسون اصلاح شده حجم بطن محاسبه شده و با محاسبه حجم بطن در دو زمان پایان سیستول و پایان دیاستول نسبت برون دهی (از پارامترهای حیاتی قلب) محاسبه می شود. همچنین مدل سه بعدی بطن چپ به کمک توابع پایه بی- اسپیلاین ترسیم می شود. نتایج بدست آمده پس از مقایسه با نتایج بالینی بیانگر دقت بالا در انجام محاسبات است.}, keywords_fa = {روش مار بی-اسپیلاین,تصاویر اکوکاردیوگرافی,شناسایی جداره ها,مدل سه بعدی بطن چپ}, url = {https://www.ijbme.org/article_13429.html}, eprint = {https://www.ijbme.org/article_13429_a7e991d95d7802de2bd78a23081727ac.pdf} } @article { author = {Kermani, Saeed and Abrishami Moghaddam, Hamid and Moradi, Mohammad Hasan}, title = {Active Mesh for Estimation of Local and Global Left Ventricular Function Over Cardiac Magnetic Resonance Imaging}, journal = {Iranian Journal of Biomedical Engineering}, volume = {2}, number = {3}, pages = {215-231}, year = {2008}, publisher = {Iranian Society for Biomedical Engineering}, issn = {5869-2008}, eissn = {9685-8006}, doi = {10.22041/ijbme.2008.13430}, abstract = {This paper presents a new method for quantification analysis of left ventricular performance from the sequences of cardiac magnetic resonance imaging using the three-dimension active mesh model (3D­AMM). AMM is composed of topology and geometry of L V and associated elastic material properties. The LV deformation is estimated by fitting the model to the initial sparse displacements which is measured by a new establishing point correspondence procedure. To improve the model, a new shape­-based interpolation algorithm was proposed for reconstruction of the intermediate slices. The proposed approach is capable of estimating the displacement field for every desired point of the myocardial wall. Then it leads to measure dense motion field and the local dynamic parameters such as Lagrangian strain. To evaluate the performance of the proposed algorithm, eight image sequences (six real and two synthetic sets) were used and the findings were compared with those reported by other researchers. For synthetic image sequence sets, the mean square error between the length of motion field estimated by the Algorithm and the analytical values was less than 0.5 mm. The results showed that the strain measurements of the normal cases were generally consistent with the previously published values. The results of analysis on a patient data set were also consistent with his clinical evidence. In conclusion, the results demonstrated the superiority of the novel strategy with respect to our formerly presented algorithm. Furthermore, the results are comparable to the current state-of-the-art methods. }, keywords = {Cardiac MRI,Deformable model,Non-rigid motion,Shape-based interpolation,Three dimensional active mesh model (3D-AMM),Image analysis}, title_fa = {استفاده از مش فعال برای تخمین شاخص های محلی و کلی بطن چپ از روی توالی تصاویر تشدید مغناطیسی قلبی}, abstract_fa = {در این مقاله رویکرد جدیدی برای تجزیه و تحلیل دینامیک بطن چپ قلب مبتنی بر مدل شکل پذیر مش فعال 3D-AMM روی توالی از تصاویر تشدید مغناطیسی قلب مطرح می شود. این مدل بیان فشرده ای از مجموعه نقاط تصویر سه بعدی به دست می دهد که نتیجه تلفیق ریخت شناسی و هندسه هدف خواهد بود و با خواص کشسان قلب تزویج می شود. با برازش مدل به بردارهای جابه جایی پراکنده اولیه که به وسیله روند تناظریابی جدیدی به دست می آید، تغییر شکل بطنی تخمین زده می شود. به منظور توسعه مدل پیشنهادی قبلی، برش های میانی (بین برشی) و تقطیع آنها، به وسیله الگوریتم درون یابی مبتنی بر شکل نوینی، ایجاد شده است. ارزیابی با استفاده از اعمال الگوریتم بر روی 8 مجموعه توالی تصاویر (دو مجموعه توالی تصاویر مصنوعی و شش مجموعه حقیقی) انجام و نتایج به دست آمده با کارهای محققان دیگر مقایسه شده است. دقت این روش نیز بر روی تصاویر مصنوعی که به عنوان درستی زمینه در این تجزیه تحلیل ها شناخته شده، تخمین زده شده است. میانگین اندازه بردار خطا (تفاضل دو بردار میدان حرکت تخمینی و تحلیلی) کمتر ازmm 0.5 است. نتایج نشان می دهد، عملکرد این الگوریتم مقاوم، دقیق تر و بسیار سریع تر از الگوریتم های پیشنهادی قبلی ماست، به طوری که زمان اجرای الگوریتم تقریبا به میزان نصف کاهش یافته است. نتایج تخمین کرنش های نرمال بر روی تصاویر واقعی با نتایج به دست آمده از تجزیه و تحلیل چاپ شده از محققان دیگر، و همچنین نتایج آنالیز توالی تصاویر بیمار با مشاهدات بالینی مطابقت دارد.}, keywords_fa = {مدل شکل پذیر,ردگیری سه بعدی,تصویربرداری تشدید مغناطیسی,مش فعال سه بعدی,تجزیه و تحلیل تصاویر}, url = {https://www.ijbme.org/article_13430.html}, eprint = {https://www.ijbme.org/article_13430_5f355502a0eb5bdbb4dbae791cdab5d6.pdf} } @article { author = {Kafieh, Raheleh and Mehri Dehnavi, Alireza and Sadri, Saeed and Raji, Seyed Hamid}, title = {Automatic Detection of Cephalometric Landmarks on Cephalograms of Patients Referring to Isfahan University of Medical Sciences}, journal = {Iranian Journal of Biomedical Engineering}, volume = {2}, number = {3}, pages = {233-246}, year = {2008}, publisher = {Iranian Society for Biomedical Engineering}, issn = {5869-2008}, eissn = {9685-8006}, doi = {10.22041/ijbme.2008.13431}, abstract = {Cephalometry is the scientific measurement of head dimensions to predict craniofacial growth, plan treatment and compare different cases. There have been many attempts to automate cephalometric analysis with the aim of reducing the time required to obtain an analysis, improve the accuracy of landmark identification and reduce the errors due to clinician subjectivity. This paper introduces a method for automatic landmark detection on cephalograms. We introduced a combination of model­-based methods and neural networks on cephalograms. For this purpose, first some feature points were extracted using a nonlinear diffusion filter and Susan Edge Detector to model the size, rotation, and translation of skull. A neural network was used to classify the images according to their geometrical specifications. Using learning vector quantization (L VQ) for every new image, the possible coordinates of landmarks were estimated. Then a modified active shape model (ASM) was applied and a local search to find the best match to the intensity profile was used and every point was moved to get the best location. Finally, a sub-image matching procedure was applied to pinpoint the exact location of each landmark. In order to evaluate the results of this method, 20 randomly selected images were used with a drop-one-out method. Each image had a dimension of about 170x200 mm, digitized in 100 dpi (4 pixel == 1mm). On average, 24% of the 16% landmarks were within 1mm of correct coordinates, 61 percent within 2 mm, and 93 percent within 5 mm. the proposed method in this study has had a distinct improvement over the other proposed methods of automatic landmark detection. }, keywords = {Cephalometry,Active shape model (ASM),Non-linear diffusion,Neural Networks,Sub-image matching}, title_fa = {تشخیص اتوماتیک مکان لندمارک های سفالومتری بر روی تصاویر سفالوگرام بیماران ارجاع داده شده به دانشگاه علوم پزشکی اصفهان}, abstract_fa = {به منظور پیش بینی رشد فک و صورت و امکان برنامه ریزی درمان های لازم، دانش سفالومتری از طریق مقایسه فک و صورت افراد مختلف بنیان گذاری شده است. تاکنون تلاش های زیادی به منظور اتوماتیک کردن آنالیزهای سفالومتری با هدف کاهش زمان لازم برای آنالیز، بهبود صحت تشخیص لندمارک ها و کاهش خطاهای حاصل از خستگی فرد متخصص صورت پذیرفته است. هدف این طرح تعیین مکان دقیق لندمارک های سفالومتری بر روی تصاویر دندانپزشکی است. در این طرح یک روش مبتنی بر ترکیب مدل های شکل پذیر و شبکه های عصبی بر روی تصاویر سفالومتری در دندانپزشکی پیشنهاد شده است. به این منظور در گام اول، تعدادی از مشخصات تصویر به وسیله یک فیلتر نفوذ غیرخطی و سپس روش تشخیص لبه سوسان استخراج شده اند تا اثر اندازه، چرخش و شیفت احتمالی جمجمه هنگام تصویربرداری مدلسازی شود. در گام بعدی یک شبکه عصبی برای طبقه بندی تصاویر سفالومتری بر اساس مشخصات هندسی آنها مورد استفاده قرار گرفته است. سپس با استفاده از شبکه آموزش یافته برای هر تصویر جدید ورودی، کلاس مربوط تشخیص داده شده، مکان تقریبی لندمارک ها تخمین زده می شود. سپس با اعمال روش مدل های شکل پذیر بر تصاویر مکان دقیق لندمارک ها در تصویر به دست می آیند و در نهایت یک مرحله تطبیق الگو به منظور تعیین مکان دقیق لندمارک ها بر روی تصاویر به کار برده می شود. برای بررسی صحت عملکرد سیستم از 20 تصویر سفالومتری استفاده شده و در هر تصویر 16 لندمارک مکان یابی می شود. هر یک از تصاویر تقریبا دارای ابعاد mm 170 در mm 200 بوده با قدرت تفکیک ) dpi100هر میلی متر معادل با 4 پیکسل) به صورت دیجیتال در آمده اند. به طور متوسط 24% از لندمارک ها در فاصله mm 1نقاط صحیح، 61% در فاصله mm 2 و 93% در فاصله mm 5 مکان یابی شده اند که بهبود چشمگیری نسبت به روش های قبل نشان می دهد. با توجه به نتایج حاصل مشاهده می شود استفاده از روش پیشنهادی در مقایسه با روش های موجود نتایج بسیار مطلوب تری را ارائه می نماید.}, keywords_fa = {سفالومتری,مدل های شکل پذیر,فیلتر نفوذ غیر خطی,شبکه عصبی,روش تطبیق الگو}, url = {https://www.ijbme.org/article_13431.html}, eprint = {https://www.ijbme.org/article_13431_82269dcc79c12bfa615b84009628b7f7.pdf} } @article { author = {Roshani Tabrizi, Poune and Aghaeizade Zoroofi, Reza}, title = {Face Images Analysis For Drowsiness Detection}, journal = {Iranian Journal of Biomedical Engineering}, volume = {2}, number = {3}, pages = {247-266}, year = {2008}, publisher = {Iranian Society for Biomedical Engineering}, issn = {5869-2008}, eissn = {9685-8006}, doi = {10.22041/ijbme.2008.13432}, abstract = {Drowsiness detection is vital in preventing traffic accidents. In this project, we propose three new algorithms for pupil and iris detection, lips localization and eyes state analysis, which we incorporate into a four step system for drowsiness detection: face detection, drowsiness parameters extraction from eyes, drowsiness parameter extraction from mouth and drowsiness level determination. Many current efforts, which are based on face analysis, focus only on using a single visual cue to characterize driver's state of alertness. This approach that relies on a single visual cue may encounter difficulty when the required visual features cannot be acquired accurately or reliably. There are few systems that use several visual cues to characterize driver's state of alertness. These systems are based on IR illuminators or training data. IR illuminators can be hazardous to eye health. Thus, our proposed system determines drowsiness level using a combination of several visual cues and contextual information. Also, it requires no training data at any step or IR illuminators. We analyzed and compared different parts of the systems with other methods using IMM, HCE, CVL database and 30 video sequences in two drowsy and active states from 15 persons. Finally, we achieved excellent drowsiness level results from the study population. We determined drowsiness level as follows: 1. The eyes and mouth state (detecting whether they were open or closed) was analyzed as 94.3% and 95.1 %, respectively; 2. Drowsiness level was determined in different situations such as normal blinking, fast blinking, normal speaking, yawning and long eye closure and 3. The participants were given a warning message when the drowsiness level reached over the threshold of 0.95. }, keywords = {Skin,Eye,Drowsiness,Iris,Mouth,Pupil}, title_fa = {آنالیز تصاویر چهره به منظور تشخیص خواب آلودگی}, abstract_fa = {تشخیص خواب آلودگی در موارد زیادی از جمله کاهش تصادفات جاده ای اهمیت دارد. در این مقاله، الگوریتم های جدیدی به منظور تعیین مکان مردمک ها و دایره های عنبیه، لب ها و تشخیص وضعیت باز و بسته بودن چشم ها ارائه می شود که در نهایت بر اساس آنالیز چهره (باز و بسته بودن چشم ها و دهان) میزان سطح خواب آلودگی فرد تعیین می شود. در بیشتر روش های مبتنی بر آنالیز چهره با استفاده از یک پارامتر، خواب آلودگی فرد تشخیص داده شده است. روش های معدودی وجود دارند که از چندین پارامتر برای تشخیص خواب آلودگی استفاده می کنند و آنها نیز مبتنی بر داده های آموزشی و روشنگرهای مادون قرمزند. استفاده طولانی مدت از این روشنگر ها موجب آسیب شبکیه چشم می شود. بنابراین در این مقاله از روشنگرهای مادون قرمز استفاده نخواهد شد. همچنین با ترکیب چند پارامتر خواب آلودگی و عوامل محیطی، میزان سطح خواب آلودگی با دقت بالایی بدون نیاز به داده های آموزشی و سخت افزار خاص تعیین می شود. روش پیشنهادی به منظور تشخیص خواب آلودگی شامل 4 مرحله تشخیص ناحیه چهره، تعیین معیارهای خواب آلودگی به کمک چشم ها، تعیین معیار خواب آلودگی به وسیله دهان و تشخیص میزان سطح خواب آلودگی شخص است. مراحل مختلف روش پیشنهادی با روش های پیشین در شرایط متفاوت نوری و محیطی به وسیله مجموعه داده هایIMM ، HCE،CVL و 30 فیلم گرفته شده از 15 نفر مقایسه شده اند. در نهایت نیز قابلیت تشخیص سطح خواب آلودگی به وسیله روش پیشنهادی در 15 فرد خواب آلوده به طور موفقیت آمیز ارزیابی شده است. بدین صورت که در ابتدا وضعیت باز و بسته بودن چشم ها و دهان به ترتیب 94.3% و 95.1% درست تشخیص داده شده اند. سپس میزان سطح خواب آلودگی شخص در حالت های مختلف پلک زدن عادی، پلک زدن تند، صحبت کردن عادی، خمیازه کشیدن و بسته بودن طولانی مدت چشم ها مشخص شده است. در نهایت نیز اگر میزان سطح خواب آلودگی به دست آمده از حد آستانه 95% تجاوز کند، به شخص هشدار داده می شود.}, keywords_fa = {پوست,چشم,خواب آلودگی,عنبیه,دهان,مردمک}, url = {https://www.ijbme.org/article_13432.html}, eprint = {} }