ارائه روش ترکیبی برای طبقه بندی تومورهای مغزی در تصاویر ام آر آی

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,989

فایل این مقاله در 10 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:

NCCSE01_139

تاریخ نمایه سازی: 9 بهمن 1392

چکیده مقاله:

طراحی سیستم تشخیص خودکار تصاویر پزشکی یکی از مسائل چالش زا در زمینه پردازش تصاویر پزشکی بوده است که تحقیقات بسیاری از محققان و مهندسان پزشکی را به خود معطوف کرده است. تکنیک های مختلفی برای تصویربرداری پزشکی معرفی شده است که می توان به توموگرافی رایانه از (CT)، تصویربرداری تشدید م غناطیسی (MRI)، ماموگرافی (Mamography)، Ultra Sound اشاره نمود. اهمیت این تکنیکها برای اندامهای حیاتی نظیر مغز بسیار بیشتر از سایر اندامها می باشد، بطوریکه تشخیص تومورهای مغزی از روی تصاویر پزشکی توسط متخصص مغز و اعصاب، اولین گام در فرایند تشخیص بوده است. با پیشرفت سخت افزارهای تصویربرداری، کارشناس با حجم عظیمی از تصاویر (گاهی 64 قطعه برای یک بیمار) روبرو است که تشخیص را سخت و زمان بر می سازد. در چنین شرایطی نیاز به یک سیستم خ ودکار که به کارشناس کمک کند تا در زمان کوتاه تر تشخیص بهتری داشته باشد، بیش از پیش احساس می شود. بدیهی است که چنین سیستمی در طبقه بندی سیستمهای تشخیص مبتنی بر کامپیوتر (CAD) قرار می گیرد. مقاله حاضر در همین راستا و برای تشخیص 2 نوع تومور مغزی خوش خیم و بدخیم ارائه شده است. ویژگی هایی که مبنای طبقه بندی با شبکه های عصبی قرار گرفته اند یکبار با ماتریس هم وقوعی و بار دیگر با روش ترکیبی تبدیل موجک ماتریس هم وقوعی استخراج شده اند. هر بار برای کاهش ابعاد ورودی طبقه بند از الگوریتم ژنتیک استفاده نموده ایم. نتایج حاصل از طبقه بندی نشان دهنده تأثیر مثبت تبدیل موجک در صحت طبقه بندی می باشد.

نویسندگان

غلامعلی شالیکار

دانشگاه آزاد اسلامی واحد نجف آباد، دانشکده مهندسی کامپیوتر

محمدرضا آشوری

دانشگاه آزاد اسلامی واحد نجف آباد، دانشکده مهندسی کامپیوتر

محمدحسین ندیمی شهرکی

دانشگاه آزاد اسلامی واحد نجف آباد، دانشکده مهندسی کامپیوتر

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 :
  • Oncology, 2001, 11(2), p. 103-112. ...
  • M. C. Clark, L. O. Hall, D. B. Goldgof, LP. ...
  • Chang R.F., Wu W.J., Moon W.K., Chou Y.H., Chen D.R., ...
  • W. Chu, C. J. Ong, and S. S. Keerthi _ ...
  • Nathalie Richards, Michael Dujata, (2007), ; Catherine Garbay , _ ...
  • Kaiping Wei, Bin He, Tao Zhang, Xianjun Zhen (2007), ;A ...
  • Dubravko Cosic , Sven Loncaric (1997), " Rule based labeling ...
  • Matesn Milan, Loncaric Sven, Petravic Damir (2001), ; A Rule ...
  • Symposium on Image and Signal Processing and Analysis, June 19-21 ...
  • Frank Z. Brill, Donald E. Brown., and Worthy N. Martin(1992), ...
  • Haddon J F, Boyce J F (1993), "Co-occurrence Matrices for ...
  • Identification of masses in digital :ه [12] Mohd Khuzi, Besar ...
  • . Haralick, R.M. K. Shammugam and I. Dinstein, 1973. Textural ...
  • Ricci P.E., Dungan D. H., "Imaging of low- and in ...
  • Van G., Wouver P., Scheunders and Van Dyck.D (1998), :Statistical ...
  • Raghu, P.P., Ye gnanarayan, B. Supervised texture classification using a ...
  • satisfaction model (1998) IEEE Trans. Neural Netw, 9 (3), pp. ...
  • نمایش کامل مراجع