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).
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 |
Qutrit-Inspired Fully Self-Supervised Shallow Quantum Learning Network for Brain Tumor Segmentation
شبکه یادگیری کوانتومی کم عمق کاملاً خود نظارتی الهام گرفته از Qutrit برای تقسیم بندی تومور مغزی-2022 Classical self-supervised networks suffer from convergence problems and reduced segmentation accuracy due
to forceful termination. Qubits or bilevel quantum bits often
describe quantum neural network models. In this article, a novel
self-supervised shallow learning network model exploiting the
sophisticated three-level qutrit-inspired quantum information system, referred to as quantum fully self-supervised neural network
(QFS-Net), is presented for automated segmentation of brain
magnetic resonance (MR) images. The QFS-Net model comprises
a trinity of a layered structure of qutrits interconnected through
parametric Hadamard gates using an eight-connected secondorder neighborhood-based topology. The nonlinear transformation of the qutrit states allows the underlying quantum neural
network model to encode the quantum states, thereby enabling a
faster self-organized counterpropagation of these states between
the layers without supervision. The suggested QFS-Net model
is tailored and extensively validated on the Cancer Imaging
Archive (TCIA) dataset collected from the Nature repository.
The experimental results are also compared with state-of-theart supervised (U-Net and URes-Net architectures) and the selfsupervised QIS-Net model and its classical counterpart. Results
shed promising segmented outcomes in detecting tumors in terms
of dice similarity and accuracy with minimum human intervention and computational resources. The proposed QFS-Net
is also investigated on natural gray-scale images from the
Berkeley segmentation dataset and yields promising outcomes
in segmentation, thereby demonstrating the robustness of the
QFS-Net model.
Index Terms: tum computing | qutrit | U-Net and URes-Net. |
مقاله انگلیسی |
3 |
Big data analysis for brain tumor detection: Deep convolutional neural networks
تجزیه و تحلیل داده های بزرگ برای تشخیص تومور مغزی: شبکه های عصبی پیچیده عمیق-2018 Brain tumor detection is an active area of research in brain image processing. In this work, a methodology is
proposed to segment and classify the brain tumor using magnetic resonance images (MRI).Deep Neural Networks
(DNN) based architecture is employed for tumor segmentation. In the proposed model, 07 layers are used for
classification that consist of 03 convolutional, 03 ReLU and a softmax layer. First the input MR image is divided
into multiple patches and then the center pixel value of each patch is supplied to the DNN. DNN assign labels
according to center pixels and perform segmentation. Extensive experiments are performed using eight large scale
benchmark datasets including BRATS 2012 (image dataset and synthetic dataset), 2013 (image dataset and synthetic
dataset), 2014, 2015 and ISLES (Ischemic stroke lesion segmentation) 2015 and 2017. The results are validated on
accuracy (ACC), sensitivity (SE), specificity (SP), Dice Similarity Coefficient (DSC), precision, false positive rate
(FPR), true positive rate (TPR) and Jaccard similarity index (JSI) respectively.
Keywords: Random Forests; Segmentation; Patches; Filters; Tissues |
مقاله انگلیسی |
4 |
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 |