دانلود مقاله آنالیز گرادیان و بافت تصاویر ماموگرافی

ریال510.000

این محصول یک مقاله به زبان فارسی با عنوان “آنالیز گرادیان و بافت تصاویر ماموگرافی” بوده و در دو فرمت word و pdf آماده خریداری و دانلود فوری می باشد.

 

مشخصات مقاله
عنوان مقاله آنالیز گرادیان و بافت تصاویر ماموگرافی
فرمت مقاله ورد تایپ شده با قابلیت ویرایش (DOCX) و پی دی اف (PDF)
تعداد صفحات مقاله 21 صفحه
سایز متن مقاله 14
فونت متن مقاله بی نازنین
رشته های مرتبط با این مقاله زیست شناسی
گرایش های مرتبط با این مقاله
موضوعات
منبع و رفرنس ندارد
کد محصول w2020
حجم فایل 1Mb
وضعیت آماده خرید و دانلود

 

فهرست مطالب مقاله
استخراج شاخص
استخراج ریبون های پیکسل ها
شاخص های گرادیان محور
شاخص های بافتی
دیتابیس تصاویر

 

بخشی از متن مقاله

چکیده

علاوه بر تغییرات بافتی ناشی از میکرو کلسیفیکاسیون، حضور حسگر های ناشی از توده ها موجب ایجاد اختلاللاتی در هموژنیتی بافت ها شده و موجب اختلال ساختاری در پارانشیم های اطراف سینه می شود. در نتیجه، بسیاری از مطالعات بر کمی سازی محتوی بافتی در توده ROI و حاشیه های توده ها تاکید دارند.
کیم و همکاران (6) یک روش اتوماتیک برای شناسایی ناهنجاری های مشکوک روی زروماموگرام ها با شناسایی بافت های سینه و تقسیم آن ها به حداکثر 144 بخش در هر تصور استفاده کردند. 10 آماره نرمال برای هر بخش به عنوان شاخص های بافتی مورد استفاده قرار گرفت و طبقه بندی 2270 بخش ماموگرافی 8 بیمار با شش شاخص با بهترین عملکرد، نرخ مثبت کاذب 26 درصد و کاذب منفی 0.6% حاصل شد. پتروزیان و همکاران (7) به بررسی اهمیت شاخص های بافتی بر اساس ماتریکس های سطح خاکستری مکانی SGLD برای طبقه بندی توده ها و بافت های نرمال پرداختند. با مجموعه داده های 135 ROIs، روش ها میزان 89 درصد حساسیت و 76 درصد خاصیت در مرحله آموزش و 76 درصد حساسیت و 64 درصد خاصیت در مرحله آزمایشی با استفاده از روش ورود و خروج نشان داد.
کان و همکاران (8) به بررسی کارایی شاخص های بافتی ناشی از ماتریس های SGLD برای تمایز بافت ها از بافت سینه نرمال در ماموگرام های رقومی پرداختند. 168 ROIs با توده ها و 504 ROIs نرمال بررسی شد و 8 شاخص شامل همبستگی، آنتروپی، انرژی، اینرسی، گشتاور اختلاف معکوس، گشتاور میانگین مجموع، آنتروپی مجموع و اختلاف انتروپی برای هر یک از مناطق محاسبه شد. روش ها موجب ایجاد مساحت زیر منحنی مشخصه های عملکردی گیرنده ROC حدود 0.84 برای مجموعه آموزشی و 0.82 برای مجموعه آزمایشی شد. کیانوشا و همکاران (9) از ترکیب شکل و شاخص های بافتی بر اساس GCMs استفاده کردند. با استفاده از شبکه عصبی سه لایه ای ، آن ها صحت 81 درصدی ر ا در طبقه بندی غدد سینه ای خوش خیم و بد خیم با مجموعه داده 38 غده بد خیم و 54 غده بدخیم گزارش کردند.
آنالیز گرادیان یا اطلاعات موجود در مرز های توده ها توسط چندین محقق برای دسترسی به تصمیمات خوش خیم و بدخیمی انجام شده است. هو و همکاران (10) مناطق توده را با استفاده از روش های در حال رشد استخراج رکده و دو شاخص حسی را بر اساس آنالیز اطلاعات گرادیان حاشیه ای در مجاورت مناطق استخراج شده پیشنهاد کردند. مطالعات طبقه بندی با استفاده از شاخص ها مساخت 0.85 را زیر منحنی ROC ارایه دادند. کوک و همکاران (11) از شاخص های بافتی، شاخص های فراکتال، و شاخص های گردیان حاشیه ای محاسبه شده از مناطق مشکوک برای شناسایی غدد و زخم استفاده کردند.
گویلوت و همکاران [12] پیشنهاد یک روش منطقه در حال رشد فازی برای بخش بندی توده پستان کردند. روش گزارش شده اطلاعات گذار حال حاضر در اطراف مرزهای تومور در تصاویر ماموگرافی را به تصویر می کشد. اقدامات آماری از مقادیر عضویت فازی در محدوده روبان گذار مناطق محاسبه شده و در نتیجه پتانسیل برای طبقه بندی توده ها و تومورهای خوش خیم یا بدخیم نشان داده اند. رانگیات و همکاران. [13] پیشنهاد اندازه گیری حاشیه ای بر اساس منطقه حدت برای ارزیابی وضوح مرزهای توده کرده و به دقت طبقه بندی های خوش خیم / بدخیم از 92٪ در یک مجموعه 54 عکسی شامل 28 خوش خیم و
26 مورد بدخیم را انجام دادند. مشکلات مرتبط با حدت اندازه گیری ها در بخش استخراج شاخص مورد بحث و تغییرات ارائه شده است.
بسیاری از سینه ها الگوریتم های تقسیم بندی توده های خودکار دارند اقدامات بافت مورد استفاده در روش تشخیص افتراق توده ها از بافت نرمال پستان به منظور کاهش عدد کاذب مثبت گزارش شده اند.کگلمر(14) یک روش برای تشخیص ضایعات در ماموگرافی و قوانین محاسبه شده بافت از نقشه جهت گیری لبه های محلی شاخص ها ارایه کرد. .شجره تصمیم گیری دودویی برای طبقه بندی ویژگی های مورد استفاده قرار گرفت. کشف نتایج با پنج تصاویر آزمون منجر به حساسیت 83٪ با 0.6 کاذب برای هر تصویر شد.گوشونگ و کگلمیر [15] دایره تبدیل هاف را برای تشخیص محدوده ضایعات با گسترش اصول نقشه متراکم از ویژگی های خود و مطالعه پیش از آن در تشخیص ضایعات نوک تیز استفاده کردند.
فیلتر عنبیه برای تشخیص حدود مناطق محدب گرد استفاده می شود. ویژگی های بافت بر اساس GCM ها از
خروجی فیلتر عنبیه را همراه با چهار ویژگی در بر گرفته شده است و در هیستوگرام توده ROI برای منزوی کردن توده های بدخیم از بافت نرمال استفاده می شود.. روش 1.34 مثبت کاذب در تصویر منجر به حساسیت تشخیص از 88٪ با یک مجموعه داده از 241 تومورهای بدخیم می شود. پتریکت [17] یک فیلتر افزایش تراکم وزن تطبیقی در رابطه با یک آشکارساز لاپلاس از گاوسی لبه برای تشخیص توده ها پیشنهاد کرده است. مجموعه ای از ویژگی های بافت بر اساس GCM ها نرخ تشخیص درست مثبت 80٪ در 2.3 مثبت کاذب در هر تصویر را با یک مجموعه داده 168 مورد به همراه داشت.

 

وضعیت هزینه

ویژه با هزینه

دکمه بازگشت به بالا