تشخیص اتوماتیک تومورهای بدخیم سرطان ریه از روی تطاویر پاتولوژی

سال انتشار: 1384
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 9,656

فایل این مقاله در 7 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:

ICBME12_010

تاریخ نمایه سازی: 25 آبان 1391

چکیده مقاله:

سرطان ریه با کارسینوم برونکوژنیک شایع ترین بدخیمی احشایی در بین مردان بوده و به تنهایی مسئول یک سوم از مرگ و میرهای ناشی از سرطان در مردان و 7% از تمام مرگ و میرها در مردان و زنان می باشد. در یک فرآیند درمانی پس از معاینات کلینیکی چنانچه با روش های غیر تهاجمی مثل رادیوگرافی، CT اسکن، MRI، ... احتمال وقوع یک تومور سرطانی وجود داشته باشد، بیمار تحت عمل جراجی نمونه برداری قرار می گیرد. مهمترین مرحله در تشخیص سرطان و اعلام بدخیم یا خوش خیم بودن تومور، مشاهده تصاویر میکروسکوپی بافت مشکوک توسط پاتولوژیست می باشد. نظر پاتولوژیست متأثر از عوامل درون ناظری و برون ناظری بوده و بستگی به تجارب و دقت وی دارد. به نحوی که در بسیاری از موارد مشکل نظر دو پاتولوژیست الزاماً یکی نیست. در این مقاله با کمک تکنیک های شناسایی الگو روشی اتوماتیک و سریع جهت تشخیص سرطان ریه از روی تصاویر پاتولوژی ارائه شده است. برای اینکار از هیستوگرام آماری مرتبه دوم معمولی و تفاضلی استفاده نموده و ده ویژگی آماری مختلف از روی آنها محاسبه و بررسی شده است. صد تصویر پاتولوژی بافت ریه شامل الگوهای خوش خیم و بدخیم با نتایج تخیصی معین بعنوان الگوهای آزمایشی انتخاب و با دقت 300dpi اسکن و ذخیره شدند. با استفاده از الگوهای آزمایشی و استفاده از الگوریتم های مختلف، توانایی هر ویژگی به تنهایی و در کنار سایر ویژگیها ارزیابی و نهایتاً پنج ویژگی که بهترین میزان تابع ارزیابی عملکرد را از خود نشان داده بودند جهت معیارهای کلاسیفایرها انتخاب گردیدند. در بین انواع کلاسیفایرهایی که در این تحقیق تحت طراحی و آزمایش قرار گرفته اند، در بهینه ترین حالت با استفاده از کلاسیفایر آموزش پذیر با الگوریتم آموزش پرسپترون و استفاده از یک شبکه عصبی با معماری دولایه به سیستمی با دقت صحت مثبت Tp=73% و خطای مثبت FP=35% دست یافته ایم.

کلیدواژه ها:

شناسایی ا لگو- کلاسیفایرهای احتمالاتی- شناسایی تومور- شبکه های عصبی

نویسندگان

علیرضا ذولقدر اصلی

دانشیار بخش برق و الکترونیک، دانشکده مهندسی، دانشگاه شیراز

ناصر شمس

کارشناس ارشد مخابرات، گروه برق، مرکز آموزش عالی فنی مهندسی شیراز (شهی

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 :
  • شمس، ناصر، « تشخیص و دسته بندی اتوماتیک تومورهای سرطان ...
  • و) جعفری جوزانی، کورش و سلطانیان زاده _ حمید _ ...
  • Pathology, Sixth edition, 1997 , W.B.Saunders Co. 4) Vassili A.kovalev, ...
  • Y.chitre _ A.P.Dhawan _ M.Moskowitz _ Based ...
  • Structure Features " , IEEE, Trans . on Pattern Recognition ...
  • digital ma mography using Statistical Features of texture " , ...
  • K.W.Bowyers , S.Astley , State of the Art In Digital ...
  • Smith RA, "American Cancer Society guidelines for the early detection ...
  • Zhou, X.Q., Franklin , F. , Angerman S.K., "Auth enticity ...
  • Darambara _ D.G., Taibi _ A. , "Contrast _ detail ...
  • نمایش کامل مراجع