دانلود مقاله و خرید ترجمه:ردیابی توده ها در ماموگرامها با انطباق بر  چگالی سینه با استفاده از الگوریتم ژنتیک ، درختهای  فیلوژنتیک،LBP  و SVM - 2015
دانلود بهترین مقالات isi همراه با ترجمه فارسی 2

با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد). 

مقالات ترجمه شده سیستم های خبره ( expert systems )
  • Detection of masses in mammograms with adaption to breast density using genetic algorithm, phylogenetic trees, LBP and SVM ردیابی توده ها در ماموگرامها با انطباق بر چگالی سینه با استفاده از الگوریتم ژنتیک ، درختهای فیلوژنتیک،LBP و SVM
    دانلود مقاله | مقاله انگلیسی رایگان | خرید ترجمه فارسی مقاله

    دسته بندی:

    سیستم های خبره - expert systems


    سال انتشار:

    2015


    ترجمه فارسی عنوان مقاله:

    ردیابی توده ها در ماموگرامها با انطباق بر چگالی سینه با استفاده از الگوریتم ژنتیک ، درختهای فیلوژنتیک،LBP و SVM


    عنوان انگلیسی مقاله:

    Detection of masses in mammograms with adaption to breast density using genetic algorithm, phylogenetic trees, LBP and SVM


    منبع:

    Sciencedirect - Elsevier - Expert Systems With Applications 42 (2015) 8911–8928


    نویسنده:

    Wener Borges de Sampaio, Aristófanes Corrêa Silva, Anselmo Cardoso de Paiva, Marcelo Gattass


    چکیده انگلیسی:

    Breast cancer is the second commonest type of cancer in the world, and the commonest among women, corresponding to 22% of the new cases every year. This work presents a new computational methodology, which helps the specialists in the detection of breast masses based on the breast density. The proposed methodology is divided into stages with the objective of overcoming several difficulties associated with the detection of masses. In many of these stages, we brought contributions to the areas. The first stage is intended to detect the type of density of the breast, which can be either dense or non-dense. We proposed an adaptive algorithm capable of analyzing and image and telling if it is dense or non-dense. The first stage consists in the segmentation of the regions that look like masses. We propose a novel use of the micro-genetic algorithm to create a texture proximity mask and select the regions suspect of containing lesions. The next stage is the reduction of false positives, which were generated in the previous stage. To this end, we proposed two new approaches. The first reduction of false positives used DBSCAN and a proximity ranking of the textures extracted from the ROIs. In the second reduction of false positives, the resulting regions have their textures analyzed by the combination of Phylogenetic Trees, Local Binary Patterns and Support Vector Machines (SVM). A micro-genetic algorithm was used to choose the suspect regions that generate the best training models and maximize the classification of masses and non-masses used in the SVM. The best result produced a sensitivity of 92.99%, a rate of 0.15 false positives per image and an area under the FROC curve of 0.96 in the analysis of the non-dense breasts; and a sensitivity of 83.70%, a rate of 0.19 false positives per image and an area under the FROC curve of 0.85, in the analysis of the dense breasts.
    Keywords: Breast cancer | Computer-aided detection | Micro-genetic algorithm | Phylogenetic trees | Local binary patterns | Support vector machine


    چکیده فارسی:

    سرطان سینه دومین نوع سرطان رایج در جهان است؛ و رایج ترین سرطان در میان زنان میباشد که متناسب با نرخ 22% مورد جدید در سال میباشد. این کار یک روش شناسی جدید محاسباتی را ارائه میدهد؛ که به متخصصان در شناسایی توده های جرمی بر اساس چگالی سینه کمک کند. روش ارائه شده به مراحلی تقسیم میشود که هدف آن غلبه بر مشکلات مربوط به ردیابی توده ها است. هدف مرحله اول ردیابی نوع چگالی سینه است، که میتواند چگال یا غیر چگال باشد. ما یک الگوریتم انطباقی را پیشنهاد دادیم که قادر به انالیز و تصویر برداری و بیان اینکه سینه چگال یا غیر چگال است، میباشد. مرحله اول متشکل از بخش بندی نواحی است که مثل توده به نظر می آیند. ما یک استفاده جدید از الگوریتم میکرو ژنتیک را ارائه دادیم تا یک ماسک تقریبی بافت را بسازیم که بتواند نواحی ای که مشکوک به وجود زخم است را انتخاب کند. مرحله بعدی کاهش مثبتهای کاذب است؛ که در مرحله قبلی تولید شده اند. در انتها؛ ما دو رویکرد جدید را ارائه نمودیم. در اولین رویکرد، کاهش مثبتهای کاذب DBSCAN استفاده شده و رتبه بندی تقریبی بافتهای گرفته شده از ROIs.ها انجام میشود. در کاهش دومِ مثبتهای کاذب، نواحی حاصله بافت خود را دارند ؛ که با ترکیب درختهای فیلوژنتیک، الگوهای دوتایی موضعی و ماشینهای بردار پشتیبان (SVM). انالیز شده اند. الگوریتمهای میکروژنتیک برای انتخاب نواحی مشکوک مدلهای اموزشی را تولید میکنند و دسته بندی توده ها و غیر توده ها ی استفاده شده در SVM. را حداکثر میکنند. بهترین نتیجه در آنالیز سینه های غیر چگال؛ حساسیت 92.99% ؛ نرخ مثبت کاذب 0.15 در هر تصویر و ناحیه زیر منحنی FROC برابر با 0.96 ، و در آنالیز سینه چگال، حساسیت 83.70% % نرخ مثبت کاذب 0.19 در هر تصویر و ناحیه زیر منحنی FROC برابر با 0.85، را تولید میکند.
    کلمات کلیدی: سرطان پستان | تشخیص به کمک کامپیوتر | الگوریتم میکرو ژنتیک | درخت فیلوژنتیک | الگوهای باینری محلی | ماشین بردار پشتیبان


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 18
    تعداد صفحات فایل doc فارسی(با احتساب مراجع): 59

    وضعیت ترجمه عناوین تصاویر و جداول: به صورت کامل ترجمه شده است

    وضعیت ترجمه متون داخل تصاویر و جداول: به صورت کامل ترجمه شده است

    حجم فایل: 1466 کیلوبایت


    قیمت: 36000 تومان   


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 4937 :::::::: بازدید دیروز: 3097 :::::::: بازدید کل: 39204 :::::::: افراد آنلاین: 47