فهرست مطالب

  • سال پنجم شماره 2 (پاییز و زمستان 1397)
  • تاریخ انتشار: 1397/08/22
  • تعداد عناوین: 10
|
  • مهران نصرپور، منصور اسماعیل پور * صفحات 1-11

    سامانه تشخیص عنبیه از چند مرحله تشکیل شده، که یکی از مهم ترین مراحل آن استخراج ویژگی است. اکثر سامانه های موجود از یک روش خاص جهت استخراج ویژگی استفاده می کنند. در راستای ایجاد بهبود عملکرد سامانه از الگوریتم ژنتیک دودویی با استفاده از یک معیار برازندگی جدید جهت یافتن روش استخراج ویژگی ترکیبی بهره گرفتیم. روش پیشنهادی از تعداد زیادی فیلتر و تبدیل که در استخراج ویژگی از عنبیه کاربرد فراوانی دارند، استفاده و بهترین ترکیب آن ها را در طی تکرار الگوریتم پیدا می کند. در پایان مجموعه ای از روش ها شامل تعدادی از تبدیل های موجک، فیلتر گابور و تبدیل فوریه به عنوان بهینه ترین روش استخراج ویژگی ترکیبی به دست آمدند. در آزمایش ها، بهبود عملکرد روش ترکیبی پیشنهادی نسبت به روش هایی که تنها از یک فیلتر بهره می گیرند با استفاده از نمودار ROC نشان داده شد. مقایسات نشان داد که روش پیشنهادی در اکثر موقعیت ها عملکرد بهتری نسبت به جدیدترین روش ها دارد. این روش موفق به دستیابی به FAR برابر با صفر و FRR برابر با 0/092 شد.

    کلیدواژگان: زیست سنجی، عنبیه، تشخیص هویت، استخراج ویژگی و الگوریتم ژنتیک
  • فاطمه شیرازی، عصمت راشدی *، حسین نظام آبادی پور صفحات 13-25

    ناحیه بندی تومورهای سرطانی در تصاویر ماموگرافی مرحله ی مهمی در سامانه های تشخیص کمک کامپیوتری (CAD) بوده و یک مساله ی پر چالش است. در این مقاله از اطلاعات ویژگی محلی (LFI-CV) بافت تصویر در مدل کانتور فعال چن-وسه برای ناحیه بندی تومور استفاده شده است. در این مدل، ابتدا نگاشت ویژگی های بافت از تصویر استخراج می شود. سپس اطلاعات ویژگی محلی بافت تصویر به عنوان مقادیر ضرایب نیروی مدل چن-وسه در نظر گرفته می شوند. به کمک این ضرایب، انرژی مدل کانتور کمینه می شود و کانتور می تواند دقیق تر بر روی مرزهای تومور قرار گیرد. اطلاعات ویژگی های بافت مورد استفاده شامل ماتریس همرخداد سطح خاکستری (GLCM) و ویژگی های گابور می باشند. عملکرد روش ناحیه بندی پیشنهادی با استفاده از مدل های کانتور فعال چن -وسه مقایسه و ارزیابی شده است. ناحیه بندی در مدل کانتور فعال پیشنهادی با نگاشت های ویژگی کنتراست، آنتروپی و گابور در جهت و نسبت به مدل های کانتور چن- وسه دیگر در تکرار کمتر همگرا می شود. نتایج نشان می دهند که روش ناحیه بندی پیشنهادی برای ویژگی بافت گابور در جهت نتایج ناحیه بندی مطلوبی نسبت به روش های کانتور فعال چن-وسه دیگر از لحاظ زمان، تعداد تکرار، دقت و حساسیت ناحیه بندی دارد. تصاویر استفاده شده در این مطالعه از پایگاه داده جامعه ی تحلیل تصاویر ماموگرافی (MIAS) اخذ شده اند.

    کلیدواژگان: سرطان سینه، تشخیص کمک کامپیوتری، ماموگرافی، ناحیه بندی تومور سرطانی، ویژگی بافت، کانتور فعال چن وسه با اطلاعات ویژگی محلی
  • عبدالحسین فتحی *، مهدی طاهری، فردین ابدالی محمدی صفحات 27-37

    تشخیص محدوده تومورهای مغزی یک گام مهم و اساسی در سیستم های تشخیص و درمان خودکار می باشد. در این مقاله یک روش ترکیبی مبتنی بر سیستم استنتاج فازی-عصبی وفقی (ANFIS) و خوشه بندی سلسله مراتبی برای تشخیص موقعیت و محدوده تومورهای مغزی ارائه شده است. برای این منظور ابتدا خط مرکزی ناحیه مغز تشخیص داده شده، سپس با بلاک بندی ناحیه دو نیمکره مغز و استخراج ویژگی شدت روشنایی و بافت هر بلاک و نیز با بهره گیری از ویژگی تقارن موجود در دو نیمکره مغز، بلاک های حاوی بافت های توموری با استفاده از دسته بندی کننده ANFIS تشخیص داده می شوند. در نهایت با هموارسازی تصویر تصاویر تشدید مغناطیسی (MRI) مغز و با بهره گیری از خوشه بندی سلسله مراتبی محدوده دقیق تومور مشخص خواهد شد. روش ارائه شده روی تصاویر MRIبانک Harvard ارزیابی شده است. کارایی روش ارائه شده با استفاده از معیار دقت برابر %7/4±1/98، حساسیت برابر%2/3±1/94 و خاصگی آن برابر%9/4±7/98 می باشد.

    کلیدواژگان: تشخیص تومور، استنتاج فازی-عصبی، خوشه بندی سلسله مراتبی، قطعه بندی، تصاویر تشدید مغناطیسی
  • زهرا حسین نژاد، مهدی نصری * صفحات 39-67

    انطباق تصویر، یکی از زمینه های بسیار پرکاربرد در پردازش تصویر است که تحقیقات زیادی در این حوزه انجام شده است. انطباق تصویر به معنای هم تراز و هم محور کردن دو یا چند تصویر از شرایط مختلف تصویربرداری است. از کاربردهای آن می توان به شناسایی تغییرات بین تصاویر، ترکیب تصاویر، تشخیص اشیا و موزاییک تصاویر اشاره کرد. در این مقاله، ضمن معرفی مفاهیم انطباق تصویر، تحقیقات مختلف جمع آوری و دسته بندی شده و سوگیری تحقیقات در این زمینه مشخص شده است. علاوه بر این، از طریق چهار دسته آزمایش مختلف جنبه های مختلف انطباق تصویر مورد ارزیابی قرارگرفته است. این مقاله می تواند راهگشای محققین پردازش تصویر در این زمینه بوده و سعی شده است تمام جنبه های این زمینه تحقیقاتی مورد کاوش قرار گیرد.

    کلیدواژگان: انطباق تصویر، شناسایی ویژگی ها، تطبیق، برآورد مدل تبدیل، الگوریتم SIFT
  • نوشین بیگدلی*، حامد جباری، نگار ملکی صفحات 69-83

    سرطان پستان از مهم ترین سرطان ها در میان زنان به شمار می رود. معمولا غربالگری مورد استفاده در سرطان پستان، ماموگرافی است که درصد مرگ ناشی از آن را تا حدود زیادی کاهش داده است. هدف این مقاله، معرفی یک روش ترکیبی هوشمند جدید برای طبقه بندی بافت پستان به دو نوع سالم و ناسالم با بررسی هم زمان دو نمای استاندارد تصاویر ماموگرافی و مرزبندی بافت ناسالم است. بدین منظور، از روش ترکیبی جدیدی شامل الگوریتم های خوشه بندی و رشد ناحیه در شناسایی ناحیه مشکوک به حضور تومور استفاده می‏شود. پس از حذف پس‎زمینه، با ترکیب الگوریتم های خوشه بندی FCM و رشد ناحیه، ناحیه مشکوک به حضور تومور شناسایی و به کمک پردازش های مورفولوژیکی، مرزبندی تومور انجام می‏شود. سپس با استفاده هم زمان از دو نمای استاندارد تصویر ماموگرافی (MLO و CC) یک پستان، استخراج ویژگی های بافت بر اساس ماتریس رخداد توام و ویژگی های c و سطح شدت روشن ترین مرکز خوشه، طبقه بندی بافت پستان به دو نوع سالم و ناسالم صورت می‏گیرد. همچنین، برای اولین بار ویژگی سطح شدت روشن ترین مرکز خوشه معرفی و استفاده شده است. در نهایت، ویژگی‎های استخراج شده به عنوان ورودی‎های یک سیستم فازی برای طبقه‎بندی بافت پستان در نظر گرفته می‏شود. نتایج این پژوهش روی 300 جفت تصویر ماموگرافی نشان می‏دهد که روش ارائه شده، دارای صحت 97/7 درصدی برای طبقه بندی بافت پستان است. هم چنین نشان داده می‏شود که استفاده هم زمان از ویژگی های دو نمای استاندارد تصاویر ماموگرافی می‏تواند در تشخیص زودرس سرطان پستان مفید واقع شود.

    کلیدواژگان: سرطان پستان، طبقه بندی بافت پستان، خوشه بندی، الگوریتم رشد ناحیه، استخراج ویژگی، سیستم استنتاج فازی
  • مریم نداف زاده، سامان آبدانان مهدی زاده*، محمد رضا صالحی سلمی صفحات 85-102

    با توجه به تغییرات زیست محیطی و افزایش دمای جهانی و همچنین خشک سالی، نحوه آبیاری گیاهان ضمن حفظ رشد و عملکرد بالای آنها بسیار حائز اهمیت است. لذا در این شرایط حساس بحران آب، با نظارت و کنترل شرایط رشد گیاه و همچنین افزایش راندمان آبیاری از طریق تبدیل روش های آبیاری سطحی به سیستمهای آبیاری هوشمند میتوان به صورت قابل توجهی مصرف آب در بخش کشاورزی را کاهش داد. در این مطالعه با هدف تشخیص نیاز آبی گیاه، مجموعه ای از تصاویر گیاه چمن تحت شرایط تنش خشکی جهت استخراج ویژگی های رنگی، بافت و تعدادی از پارامترهای تصویر در حوزه فرکانس مورد بررسی قرار گرفتند. در ادامه پس از بررسی پارامترهای استخراج شده از تصاویر با توجه به نتایج آنالیز آماری در سطح احتمال 5% مناسبترین ویژگی ها به منظور پیش بینی محتوای رطوبت گیاه توسط الگوریتم رگرسیون بردار پشتیبان (SVR) انتخاب گردید. در نهایت نشان داده شد که هسته Linear در تابع الگوریتم SVR نسبت به سایر هسته ها دارای بالاترین ضریب همبستگی (0/95) و همچنین کمترین مقادیر MAPE (14/08) ، RMSE (0/01) ، SRE (0/063) و RAV (0/14) است. بدین ترتیب نتیجه گرفته شد که سامانه پیشنهاد شده از کارآیی مناسبی به منظور اندازه گیری و سنجش پژمردگی گیاه و کنترل میزان آب مورد نیاز آن برخوردار می باشد.

    کلیدواژگان: پردازش تصاویر دیجیتال، چمن، کنترل هوشمند آبیاری، رگرسیون بردار پشتیبان
  • محمدامین مهرعلیان، محسن سریانی * صفحات 103-113

    استفاده از دنباله تصاویر برای تخمین مکان و زاویه دید دوربین در کاربردهایی چون واقعیت افزوده و ناوبری ربات بسیار مورد توجه قرار گرفته است. در این مقاله از میان رویکردهای موجود برای این منظور یک رویکرد ترکیبی پیشنهاد شده است. ایده اصلی این رویکرد، استفاده از فیلتر کالمن توسعه یافته برای تخمین مسیر حرکت یک دوربین با 6 درجه آزادی است. تفاوت اصلی الگوریتم پیشنهادی باسایر روش های مبتنی بر فیلتر این است که نقاط سه بعدی محیط حرکت دوربین از بردار حالت فیلتر حذف شده اند و با استفاده از روش های مبتنی بر هندسه چنددیدی با قطعیت مقداردهی می شوند. با این ایده حجم محاسبات فیلتر کالمن که یکی از نقاط ضعف روش های مشابه به شمار می آید، کاهش می یابد. در نهایت روش ارائه شده با یکی از دقیق ترین روش های مبتنی بر PnP مقایسه شده است و نتایج آزمایش ها نشان می دهد که دقت تخمین جابجایی و چرخش بهبود می یابد.

    کلیدواژگان: بینایی ماشین سه بعدی، تخمین موقعیت دوربین، هندسه چنددیدی، فیلتر کالمن توسعه یافته
  • فرزاد زرگری*، فرزانه رحمانی، مژگان فرهودی، محمدحسین زابل زاده، زینب پرکار، احسان قاسمی صفحات 115-126

    پایگاه های دادگان تصویری بزرگ به عنوان محتوای آموزشی در کاربردهای هوش بصری و همچنین الگوریتم های یادگیری عمیق مورد استفاده قرار میگیرند. شبکه ی تصویری تصویرنت، پایگاه داده ای سلسله مراتبی از تصاویر و مطابق با فرهنگ ایرانی و اسلامی است که با فراهم آوردن حدود 8 میلیون تصویر برای بیش از 30هزار واژه تهیه شده است. سلسله مراتب ترادف های تصویرنت مبتنی بر سلسله مراتب ترادف های ImageNet بوده که با استفاده از معادل یابی خودکار در زبان فارسی معادل‎یابی شده اند. در این شبکه تصویری 7890745 تصویر (برای 32295 ترادف فارسی شده) با بهره گیری از بارگیری خودکار لینک های اصلی ارائه شده در ImageNet فراهم گردیده اند. سپس 71873 تصویر با روش جمع سپاری برای بیش از 1000 ترادف مخصوص فرهنگ ایرانی و اسلامی تهیه و به تصویرنت اضافه شده اند. هدف از این مقاله انتقال تجربیات، چالش های تولید و ابزارهای مورد نیاز حاصل از تولید پایگاه داده ی سلسله مراتبی تصویرنت و همچنین تشریح فرآیند جمع سپاری صورت گرفته جهت تهیه تصاویر است.

    کلیدواژگان: پایگاه داده ی سلسله مراتبی تصاویر، شبکه ی تصویری فارسی، جمع سپاری
  • سوشیانت ذکریاپور، حمید جزایری *، مهدی ازوجی صفحات 127-138

    یکی سه معیار اصلی که در تعیین درجه سرطان پستان به کار می رود، تعداد سلول هایی است که در حال تقسیم میتوزی هستند. تشخیص سلول های میتوزی به دلیل تنوع شکل ظاهری این سلول ها و همچنین شباهت با سلول های مرده و اجسام خارجی حاضر در بافت، دشوار است. استفاده از پردازش تصویر برای تشخیص خودکار این سلول ها، گامی مهم در کاهش خطا و افزایش سرعت درجه بندی سرطان است. روش های موجود برای تشخیص این سلول ها، یا بر اساس استخراج ویژگی ها هستند که سریع اند ولی دقت تشخیص پایینی دارند، و یا بر اساس پردازش مستقیم تصویر با شبکه های عصبی عمیق هستند که دقتی بالا دارند ولی بسیار کند هستند. هدف این پژوهش ارائه روشی بی نیاز از استخراج ویژگی ها است که علاوه بر دقت زیاد، سرعتی بسیار بهتر از روش های مبتنی بر شبکه های عصبی عمیق داشته باشد. در روش پیشنهادی، تصاویر ورودی ابتدا برای جبران رنگ و کنتراست نمونه بافت اصلاح می شوند. سپس محل سلول های میتوزی احتمالی به کمک آستانه گیری و یافتن ماکزیمم های محلی تعیین می شود. تشخیص میتوزی بودن سلول با استفاده از ELM انجام می شود. میزان موفقیت روش پیشنهادی با معیارهای دقت، حساسیت و امتیاز F1 اندازه گیری شد که پیشرفت قابل توجهی را نسبت به بهترین کار های موجود نشان می دهد. همچنین، روش پیشنهادی بهبود قابل ملاحظه ای در زمان آموزش و اجرایی داراست.

    کلیدواژگان: ماشین یادگیری سریع ELM، سرطان پستان، تشخیص میتوز، پاتولوژی دیجیتال، تصاویر بیوپسی، دسته بندی سلول ها
  • احسان اله کوزه گر، محسن سریانی *، حمید بهنام، معصومه سلامتی صفحات 139-153

    اولتراسوند خودکار سه بعدی پستان یک روش تصویربرداری جدید و کارا است که از آن می توان به عنوان یک مکمل در کنار ماموگرافی، جهت شناسایی سرطان در زنان دارای پستان های با بافت متراکم، بهره جست. در این مقاله، ابتدا روش تصویربرداری مذکور معرفی و مزایای آن نسبت به سونوگرافی رایج و روش های تصویربرداری دیگر تبیین شده و فواید استفاده از سیستم های کمکی کامپیوتری در شناسایی توده ها روی تصاویر سه بعدی اولتراسوند کل پستان مورد تاکید قرار گرفته است. سپس به جزئیات سیستم های کمکی کامپیوتری جدید جهت شناسایی توده های موجود در تصاویر سه بعدی حاصل از این روش تصویربرداری بررسی شده و روش های مورد استفاده به تفصیل تشریح و محدودیت های آنها مورد بحث قرار می گیرد. در انتها راه حل های بالقوه برای غلبه بر محدودیت های موجود معرفی می گردد.

    کلیدواژگان: تصویربرداری سه بعدی اولتراسوند خودکار، شناسایی توده پستان، سیستم های کمکی کامپیوتری، پردازش تصویر
|
  • Mehran Nasrpour, Mansour Esmaeilpour * Pages 1-11

    Iris recognition system consists of some stages where feature extraction is one of the most important one. Most of the available systems uses one special technic to extract features. To improve performance of the system, we used a binary genetic algorithm with a novel fitness function to find a combinational feature extraction method. Proposed method uses many different filters and transformations which were applied in feature extraction of iris and finds the best combination during iteration of the algorithm. Consequently a set of methods including numbers of wavelet transform, Gabor filter and Fourier transform is achieved as the best combinational feature extraction approach. In experiments, improving performance of the proposed combinational approach is shown contrasting to other single methods using ROC curve. Comparisons showed that the proposed method outperforms other state of the art methods in most of cases. This method succeeded to achieve FAR=0 and FRR=0.092.

    Keywords: Biometrics, IRIS, Identification, Feature Extraction, Genetic Algorithm
  • Fatemeh Shirazi, Esmat Rashedi*, Hossein Nezamabadi, pour Pages 13-25

    Cancerous tumor segmentation in mammogram images is an important stage and a challenging problemin computer aided detection (CAD) systems. In this paper, local feature information and Chan-Vese(LFI-CV)active contour modelare used for tumor segmentation. First, the texture feature mapsof mammograms are extracted. The utilized texture feature information includes gray level co-occurrence matrix (GLCM) and Gabor features. Using this information,the force values ofChan-Vese model are set and active contour model’s energy is minimized.As a result, the contour accurately segments the tumor. The results show that tumor segmentation using the proposed active contour modelandGabor texture feature at orientationis efficient in regard to the number of iterations, accuracy, and sensitivity. The mini-MIAS database is used for evaluation.

    Keywords: breast cancer, Computer aided detection, mammography, Cancerous tumor segmentation, Texture feature, Local feature information, Chan-Vese active contour model
  • Abdolhossein Fathi *, mehdi taheri, Fardin Abdali, Mohammadi Pages 27-37

    Detection of brain tumors region is a crucial step in automatic detection and treatment systems. This paper presents a hybrid method based on adaptive neuro-fuzzy inference system (ANFIS) and hierarchical clustering to identify location and region of brain tumors. For this purpose, first the center line of brain is detected, and then brain region is divided into non-overlapped blocks. Then, for each block intensity and texture features are extracted. With exploitation symmetry features of two hemispheres of the brain, blocks containing tumor tissue are recognized using ANFIS classifier. Finally by smoothing brain MRI image and exploiting hierarchical clustering, exact region of tumor is specified. The proposed method was tested on Harvard MRI dataset. The obtained performance of the proposed method with criterions accuracy, sensitivity and specificity are 98.1±4.7%, 94.1±3.2% and 98.7±4.9% respectively.

    Keywords: Tumor detection, Neuro-fuzzy inference, Hierarchical clustering, Segmentation, Magnetic resonance images
  • Zahra Hossein, Nejad, Mehdi Nasri * Pages 39-67

    Image registration is one of the fields widely used in image processing where much research has been done. Image registration is thealignment and compliance of two or more images from different imaging conditions. Itsapplications include change identification between images, image fusion, object recognition, and image mosaic. In this paper, in addition to introducing the concepts of image registration, we have collected and classified different researches, as well as definition of the research approach thereof. Moreover, thevarious aspects of image registration have been evaluated through four different tests. This paper could pave the way for researchers in the field of image processing as and it has been tried to includeall aspects of this field of study herein.

    Keywords: Image Registration, feature detection, Matching, transform modal estimation, SIFT algorithm
  • Nooshin Bigdeli*, Hamed Jabbari, Negar Maleki Pages 69-83

    Breast cancer is one of the most important cancers among women. Usually, screening for breast cancer is mammography, which reduced the death rate caused by it. The purpose of this paper is to introduce a new hybrid intelligent method for classification of breast tissue into two healthy and unhealthy types by simultaneous examination of two aspects of mammogram images and segmentation of unplanned unhealthy tissue. To this purpose, a new hybrid method including clustering and region growth algorithms are used to identification of the suspected area to the tumor presence. The suspected area is identifiedby combining the FCM clustering and the region growth algorithms after removed the background, and was segmented tumor using the morphological processes. Then, was done classification of the breast tissue into two types of healthy and unhealthyusingsimultaneous two standard views of mammogram (MLO and CC) of a breast, and the extraction of tissue features based on the gray-level co-occurrence matrix,and c and the brightest of intensity level of the cluster center features.Also, was introduced and used the brightest of intensity level of the cluster center features for the first time. Finally, the extracted features are considered as inputs of a fuzzy system for classification of breast tissue. The results of this study are shown the proposed method has accuracy 97.7% inthe breast tissue classification on 300 pairs of mammograms. Also, it is shown that the simultaneous examination of features of the two views standard mammograms can be useful in early detection of breast cancer.

    Keywords: breast cancer, Breast tissue classification, Growing area algorithm, Feature Extraction, Fuzzy inference system
  • Maryam Nadafzadeh, Saman Abdanan Mehdizadeh *, Mohammadreza Salehi Salmi Pages 85-102

    Due to the environmental changes and increasing global temperature and drought conditions, irrigation of plants along with theirs protection of growth as well as high yield is very important. Therefore, water consumption can be reduced significantly in agriculture by monitoring and control of plant growth conditions and increase the irrigation efficiency through the conversion of surface irrigation methods to smart irrigation systems in the situation of water crisis. In this study, to detect plant water requirement, a set of turf grass plants images were taken and studied under drought stress conditions to extract the color, texture and number of features in the frequency domain. Thereafter, all the extracted parameters of images were investigated, then, according to the results of statistical analysis (p<0.05), most appropriate features were selected to predict water content of plant by support vector regression algorithm (SVR). Finally, it was shown that the linear kernel function of SVR algorithm has the highest correlation coefficient (0.95) and the lowest values of MAPE (14.08), RMSE (0.10), SRE (0.063) and RAV (0.14) compared to other kernels. Thus, this indicated that the ability of suggested system to measure and evaluate wilting plant conditions and control of required water for plant.

    Keywords: Digital images processing, Turfgrass, Intelligent irrigation control, Support vector regression
  • Mohammad Amin Mehralian, Mohsen Soryani * Pages 103-113

    Estimating the camera location and orientation from an image sequence is wildly used in many applications such as Augmented Reality and Robot Navigation. In this paper a new hybrid method is proposed. For this purpose, we apply Extended Kalman Filter to estimate the camera trajectory with 6 degree of freedom. The main difference between the proposed method and other filter-based methods is that in the proposed method, 3D points of the world model have been removed from the state vector and alternatively, Multiple View Geometry methods have been used to initialize the world model without uncertainty. As a result, the complexity of the algorithm, which is one of the shortcomings of the filter-based methods, has been reduced. Computer simulations and experimental results show that the proposed method improves pose estimation compared to PnP methods.

    Keywords: 3D Computer Vision, Camera Pose Estimation, Multiple View Geometry, Extended Kalman Filter
  • Farzad Zargari*, farzaneh Rahmani, Mojhgan Farhoodi, Mohammad Hossein Zabolzadeh, Zeinab Porkar, Ehsan Ghasemi Pages 115-126

    Large image databases are used as training datain visual artificial intelligence applications and deep learning algorithms. Tasvirnet image network is a hierarchical image database in accordance with Iranian and Islamic culture that provides about 8 million images for over 30,000 words.Synset hierarchy of Tasvirnet is based on hierarchy of ImageNet anditssynsets are translated to Persian using automatic translation. There are 7890745 images in Tasvirnet (for 32295 Persian Synsets) which are collected using auromatic downloading of image links provided by ImageNet. Moreover,71873 images for up to 1000 synsets related to Iranian and Islamic Culture are prepared using crowdsourcing method and they are added to Tasvirnet. The purpose of this paper is transferring of experiences, production challenges, and developed tools to create a hierarchical image database called Tasvirnet, as well as an outline of the crowdsourcing process used to provide the extraimages for Iranian and Islamic Culture. based synsets.

    Keywords: Hierarchical Image Databases, Persian Image Network, Crowdsourcing
  • Sooshiant Zakariapor, Hamid Jazayeriy *, Mehdi Ezoji Pages 127-138

    Counting mitotic cellsis one of the main tasks involved in assessing breast cancer proliferation grade. Unfortunately, detection of mitoses present in the tissue is a challenging task. These cells have a wide variety of shape configurations and are sometimes very similar to apoptotic cells or external objects in the tissue sample. Utilizing image processing for automatic detection of mitotic cells is likely to reduce human errorandincreasegrading speed and performance.Most available mitosis detection methods extract many features from cells then classify cells using classic classifiers, or else, directly classify cells using neural networks. The former are fast but inaccurate methods, the latter being slow but accurate. In this work, we aim to present a simultaneously fast and accurate method based on a special type of neural networks, called ELM. After a pre-processing step, candidate cells are selected using thresholding and finding local maxima. An ELM is then directly trained with each cell image, without feature extraction. Our results indicate a considerable improvement over the status-quo. Our method also benefits from a very fast training time and test time.

    Keywords: Extreme Learning Machines, breast cancer, Mitosis detection, Digital Pathology, Biopsy Images, Cell classification
  • Ehsan Kozegar, Mohsen Soryani *, Hamid Behnam, Masoumeh Salamati Pages 139-153

    Three dimensional Automatic Breast UltraSound (ABUS) is a modern and effective imaging system which can be used as an adjunct to mammography for women with dense breasts. In this paper, the ABUS imaging system is introduced and its advantages over current handheld ultrasound and other modalities are compared. Then, we emphasize on the benefits of the computerized systems to detect masses in 3D ultrasound images of whole breasts. Consequently, different state-of-the-art computer aided mass detection systems for this type of images are described in details and their limitations are discussed. Finally, potential solutions to overcome these limitations are presented.

    Keywords: Automatic Breast UltraSound Imaging, Mass Detection, Computer Aided Systems, image processing