استخراج فاکتورهای ریسک برای تعیین خودکار پیشرفت بهبود بیماری های پوستی مبتنی بر پردازش تصاویر رنگی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 644

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

COMCONF01_214

تاریخ نمایه سازی: 8 آذر 1394

چکیده مقاله:

امروزه بیماری های پوستی ناشی از عوامل متعدد از معضل های مهم در جامعه پزشکی محسوب می شوند .گاهی روند پیشرفت این بیماری ها به قدری تند است که درمان آن به سختی صورت می گیرد لذا پزشکان به دنبال روشی جهت پی شبینی زود هنگام روند پیشرفت /بهبود بیماری هستند تا با بکارگیری رو شهای درمانی از توسعه ضایعه جلوگیری شود. هر زخم شامل فاکتورهای قابل اندازه گیری مختلفی است که با بررسی آن ها می توان روند پیشرفت/بهبود بیماری را تعیین کرد .از مهم ترین آن ها م یتوان به سطح، بافت، رنگ و عمق اشاره کرد .در حال حاضر بررسی فاکتورهای بیان شده توسط پزشکان به صورت حضوری، پر مشقت، طی مراقبت های طولانی مدت، پر هزینه و با دقت بالا صورت می گیرد .با توجه به نیازمندی پزشکان و سهولت در بررسی این روند، الگوریتمی پیشنهاد شده که با استفاده از تکنیک های پردازش تصاویر رنگی موجود در بازه های زمانی مختلف، این فاکتورها را بررسی کرده و با استفاده از الگوریتم های هوشمند، بهبود/پیشرفت آن را تعیین می کند .پیاده سازی الگوریتم پیشنهادی در محیط برنامه نویسی مطلب و بر روی چند مورد به صورت تصادفی صورت گرفته که نتایج حاکی از رضایت بخش بودن سیستم و روش پیشنهادی بوده است

نویسندگان

منصوره عبایی شوشتری

کارشناس ارشد هوش مصنوعی دانشگاه الزهرا

رضا عزمی

استادیار عضو هیات علمی دانشگاه الزهرا

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Gonzalez, R.C. and R.E. Woods, Digital image processing. Prentice Hall, ...
  • Patil, S. and V. Udupi, Preprocessing to be considered for ...
  • Nowak, R.D., Wavelet-based Rician noise removal for magnetic resonance imaging. ...
  • Haralick, R.M., K. Shanmugam, and IH. Dinstein, Textural features for ...
  • Kulkarni, S.R. and M. Vidyasagar, Learning decision rules for pattern ...
  • Quinlan, J.R., Induction of decision trees. Machine learning, 1986. 1(1): ...
  • Boser, B.E., I.M. Guyon, and V.N. Vapnik. A training algorithm ...
  • Bishop, C.M., Neural networks for pattern recognition. 1995. ...
  • Webb, A.R., Statistical pattern recognition. 2003: John Wiley & Sons. ...
  • نمایش کامل مراجع