CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

Improving the diagnosis of pancreatic cancer based on image processing and machine learning techniques

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۳۵ | نظرات: ۰
سال انتشار: ۱۳۹۷
کد COI مقاله: ECMCONF01_097
زبان مقاله: انگلیسی
حجم فایل: ۳۰۸.۱۶ کیلوبایت (فایل این مقاله در ۱۰ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۱۰ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳۰,۰۰۰ ریال بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۰ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Improving the diagnosis of pancreatic cancer based on image processing and machine learning techniques

  Tayyebeh Mohammadi - MSc Student, Department of Computer Engineering and Information Technology, Payame Noor University, Tehran, Iran
    Saeed Ayat - Associate Professor, Department of Computer Engineering and Information Technology, Payame Noor University, Iran

چکیده مقاله:

In the current age, pancreatic cancer is one of the worst forms of cancer. The complications of pancreatic include five types of pancreatitis, benign tumors, malignant tumors, benign cysts and malignant cysts. This cancer has a few clinical symptoms than other cancers. Also, if not treated in a timely manner, it also causes other organs of the body and the patient chance of survival is greatly reduced. One of the ways to detect this disease is to use CT scan images. But the appearance of pancreatic complications is very different in a similar category, and their tissue is very similar to healthy abdominal tissues. For this reason, it s very difficult to identify the range of complications. Materials and Methods: In this study, the data contained 151CT scan images. These images are divided into five classes of pancreatitis, malignant tumors, benign tumors, malignant cysts, benign cysts and a healthy class. The pancreatic complications are varied and different, if the diagnostic system is based on simple experts; the possibility of achieving high detection accuracy is not possible. According to the results of this study, lonely no classification can detect all diseases and combining these methods is the best option. Therefore, in this study we have achieved high accuracy in prediction (690. 69) by combining the perception, convolution and SVM neural networks.

کلیدواژه‌ها:

Pancreatic Cancer, Image Processing, Perceptron Neural Network, Convolution, SVM

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ECMCONF01-ECMCONF01_097.html
کد COI مقاله: ECMCONF01_097

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Mohammadi, Tayyebeh & Saeed Ayat, ۱۳۹۷, Improving the diagnosis of pancreatic cancer based on image processing and machine learning techniques, کنفرانس بین المللی برق، کامپیوتر و مکانیک ایران, تهران, دبیرخانه دایمی کنفرانس, https://www.civilica.com/Paper-ECMCONF01-ECMCONF01_097.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (Mohammadi, Tayyebeh & Saeed Ayat, ۱۳۹۷)
برای بار دوم به بعد: (Mohammadi & Ayat, ۱۳۹۷)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه پیام نور
تعداد مقالات: ۳۷۸۹۷
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات پیشنهادی مرتبط


مقالات فوق بر اساس داده کاوی مقالات مطالعه شده توسط پژوهشگران محاسبه شده است.

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.