دانلود و نمایش مقالات مرتبط با ام آر آی::صفحه 1
بلافاصله پس از پرداخت دانلود کنید

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). 

نتیجه جستجو - ام آر آی

تعداد مقالات یافته شده: 4
ردیف عنوان نوع
1 Performance analysis of machine learning algorithm of detection and classification of brain tumor using computer vision
تحلیل عملکرد الگوریتم یادگیری ماشین تشخیص و طبقه بندی تومور مغزی با استفاده از بینایی کامپیوتر-2022
Brain tumor is one of the undesirables, uncontrolled growth of cells in all age groups. Classification of tumors depends no its origin and degree of its aggressiveness, it also helps the physician for proper diagnosis and treatment plan. This research demonstrates the analysis of various state-of-art techniques in Machine Learning such as Logistic, Multilayer Perceptron, Decision Tree, Naive Bayes classifier and Support Vector Machine for classification of tumors as Benign and Malignant and the Discreet wavelet transform for feature extraction on the synthetic data that is available data on the internet source OASIS and ADNI. The research also reveals that the Logistic Regression and the Multilayer Perceptron gives the highest accuracy of 90%. It mimics the human reasoning that learns, memorizes and is capable of reasoning and performing parallel computations. In future many more AI techniques can be trained to classify the multimodal MRI Brain scan to more than two classes of tumors.
keywords: هوش مصنوعی | ام آر آی | رگرسیون لجستیک | پرسپترون چند لایه | Artificial Intelligence | MRI | Logistic regression | OASIS | Multilayer Perceptron
مقاله انگلیسی
2 Prediction of molecular subtypes of breast cancer using BI-RADS features based on a “white box” machine learning approach in a multi-modal imaging setting
پیش بینی نوع های مولکولی سرطان پستان با استفاده از ویژگی های BI-RADS مبتنی بر رویکرد یادگیری ماشین "جعبه سفید" در یک تصویربرداری چند حالته-2019
Purpose: To develop and validate an interpretable and repeatable machine learning model approach to predict molecular subtypes of breast cancer from clinical metainformation together with mammography and MRI images. Methods: We retrospectively assessed 363 breast cancer cases (Luminal A 151, Luminal B 96, HER2 76, and BLBC 40). Eighty-two features defined in the BI-RADS lexicon were visually described. A decision tree model with the Chi-squared automatic interaction detector (CHAID) algorithm was applied for feature selection and classification. A 10-fold cross-validation was performed to investigate the performance (i.e., accuracy, positive predictive value, sensitivity, and F1-score) of the decision tree model. Results: Seven of the 82 variables were derived from the decision tree-based feature selection and used as features for the classification of molecular subtypes including mass margin calcification on mammography, mass margin types of kinetic curves in the delayed phase, mass internal enhancement characteristics, non-mass enhancement distribution on MRI, and breastfeeding history. The decision tree model accuracy was 74.1%. For each molecular subtype group, Luminal A achieved a sensitivity, positive predictive value, and F1-score of 79.47%, 75.47%, and 77.42%, respectively; Luminal B showed a sensitivity, positive predictive value, and F1- score of 64.58%, 55.86%, and 59.90%, respectively; HER2 had a sensitivity, positive predictive value, and F1- scores of 81.58%, 95.38%, and 87.94%, respectively; BLBC showed sensitivity, positive predictive value, and F1- scores of 62.50%, 89.29%, and 73.53%, respectively. Conclusions: We applied a complete “white box” machine learning method to predict the molecular subtype of breast cancer based on the BI-RADS feature description in a multi-modal setting. By combining BI-RADS features in both mammography and MRI, the prediction accuracy is boosted and robust. The proposed method can be easily applied widely regardless of variability of imaging vendors and settings because of the applicability and acceptance of the BI-RADS.
Keywords: Breast cancer | Molecular subtype | MRI | Mammography | Decision tree | Machine learning
مقاله انگلیسی
3 قطعه‌بندی تومورهای مغزی با استفاده از شبکه‌های عصبی کانولوشن در تصاویر ام آر آی
سال انتشار: 2016 - تعداد صفحات فایل pdf انگلیسی: 12 - تعداد صفحات فایل doc فارسی: 40
در بین تومور‌های مغزی، غده‌ها شایع‌ترین و تهاجمی‌ترین نوع آن ها هستند که در بالاترین درجات به کاهش زیاد متوسط عمر منجر می‌شوند. بدین سبب، برنامه‌ریزی درمانی، مرحله مهمی در بهبود کیفیت زندگی بیماران انکولوژی به شمار می‌رود. تصویربرداری با تشدید مغناطیس (ام آر آی) پرکابردترین روش تصویربرداری برای ارزیابی این‌گونه تومور‌ها می‌باشد، با اینهمه حجم زیاد داده‌های تولیدی ام آر آی مانع قطعه‌بندی دستی در زمان مقتضی شده و استفاده از اندازه‌گیری‌های کمی دقیق در کار بالینی را محدود می‌کند. با این حال، تغییرپذیری زیاد ساختاری و فضایی میان تومورهای مغزی مسئله قطعه بندی خودکار را با مشکل مواجه می‌کند. در این مقاله، روش قطعه‌بندی خودکار مبتنی بر شبکه‌های عصبی کانولوشن (CNN) جهت کاوش هسته‌های کوچک 3 × 3 ارائه می‌دهیم. استفاده از هسته‌های کوچک علاوه بر تأثیرگذاری مثبت در برابر تطابق بیش ار حد، امکان طراحی یک ساختار عمیق‌تر را فراهم نموده و اوزان کمتری را در شبکه نشان می‌دهد. ما هم‌چنین استفاده از عادی‌سازی شدت را با وجود عمومیت آن در روش‌های قطعه‌بندی مبتنی بر شبکه عصبی کانولوشن به عنوان مرحله پیش‌پردازش بررسی نموده‌ و اثبات کردیم که به همراه افزایش داده‌ها می‌تواند در قطعه‌بندی تصاویر ام آر آی تومورهای مغزی بسیار کارآمد باشد. طرح پیشنهادی ما مورد تأیید پایگاه داده‌ای Challenge BRATS 2013 جهت قطعه‌بندی تومورهای مغزی قرار گرفت و همزمان در نواحی کامل، هسته و افزایشی در متریک‌های ضریب شباهت دایس (88/0، 83/0، 77/0) مقام اول را در پایگاه داد‌ه‌ای Challenge بدست آورد. این طرح در پایگاه ارزیابی برخط نیز در کل مقام اول را کسب کرد. ما هم‌چنین با همان مدل در پایگاه Challenge در محل BRATS 2015 شرکت کردیم و توانستیم به کمک متریک ضریب شباهت دایس با مقادیر 78/0، 65/0 و 75/0 به ترتیب در نواحی کامل، هسته و افزایشی به مقام دوم دست‌ یابیم.
عبارات شاخص: تومور مغزی | قطعه‌بندی تومور مغزی | شبکه‌های عصبی کانولوشن | یادگیری عمیق | غده | تصویربرداری با تشدید مغناطیس
مقاله ترجمه شده
4 مدیریت هیداتیدوز کبدی با سرولوژی منفی در انسان (ناشی از اکینوکوکوس گرانولوزوس) در زن جوان بنگلادشی در یک موقعیت غنی از منابع: گزارش موردی
سال انتشار: 2014 - تعداد صفحات فایل pdf انگلیسی: 5 - تعداد صفحات فایل doc فارسی: 14
اکینوکوکوس کیستی در انسان (هیداتیدوز) بیماری انگلی مشترک انسان و دام ست که کم و بیش در سرتاسر جهان شیوع یافته ست. اکینوکوکوس گرانولوزوس –کرم نواری در سگها- هیداتیدوز را سبب میشود که سبب 95 درصد بروز اکینوکوکوس را در انسان تبیین میکند. اگرچه این کرم نواری در بدن سگها یافت میشود و سگها میزبان قطعی یا میزبان میانه برای این کرمها هستند، ولی انسانها اغلب با تماس نزدیک با سگهای مبتلا به آنها دچار میشوند. انسانها نقشی در چرخه زیستی انگلی ندارند و نقش میزبانهای موردی را بازی میکنند. هیداتیدوز از توجهات مهم در تشخیص افتراقی کیست هپاتیک در افرادی از نواحی شایع به شمار میرود. متخصصان بالینی باید از بازده زمانی درازمدت کمون، تناوب بالای آزمایشهای سرولوژی منفی و امکان ارزیابی مکش کیست غیرتشخیصی حین عمل آگاه باشند. موردی از هیداتیدوز منفی سرولوژی را توصیف میکنیم که درباره زن جوانی از بنگلادش روی داد. از بیمار تصویربرداری کردند و سپس مصرف آلبندازول را بر رویش آغاز نمودند. پس از چندین هفته مصرف آلبندازول، کیست را سوراخ کردند، برایش مکش را انجام دادند، هیپرتونیک سالین را تزریق نمودند، مکش را دوباره انجام دادند و سپس کیست را کاملا بریدند و درآوردند. تشخیص بیماری با بررسیهای میکروسکوپی بر روی مکش کیست تایید شد. آزمایشهای سرولوژی شاید برای بیماران مبتلا به بیماری اولیه منفی باشد و بنابراین نباید برای نفی این بیماری بکار رود. ابعاد این تشخیص کاری میکند تا متخصصان بالینی بتوانند از سرریز فاجعه بار محتوای کیستی خودداری کنند که واکنش آنافیلاکتیک را سبب میشود و میتواند کشنده باشد. اگرچه سازمان بهداشت جهانی مرحله بندی هیداتوز را همراستا با فراوادرمانی به پیش میبرد، ولی رادیولوژیستها -با غنای منابع- برای مدیریت و مرحله بندی اکینوکوکوس کیستی، ام آر آی را ترجیح میدهند.
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 1116 :::::::: بازدید دیروز: 0 :::::::: بازدید کل: 1116 :::::::: افراد آنلاین: 71