ترجمه مقاله ارزیابی k-Means و بخش بندی تصاویر MR از مغز و فازی C-Means - نشریه الزویر

قیمت خرید این محصول

۲۹,۰۰۰ تومان

دانلود رایگان نمونه دانلود مقاله انگلیسی

عنوان فارسی

ارزیابی k-Means و بخش بندی تصاویر MR از مغز و فازی C-Means

عنوان انگلیسی

Evaluation of k-Means and fuzzy C-means segmentation on MR images of brain

صفحات مقاله فارسی

10

صفحات مقاله انگلیسی

5

سال انتشار

2015

نشریه

الزویر - Elsevier

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

ورد تایپ شده

رفرنس

دارد

کد محصول

30

وضعیت ترجمه عناوین تصاویر

ترجمه شده است

وضعیت ترجمه متون داخل تصاویر

ترجمه شده است

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است

رشته های مرتبط با این مقاله

مهندسی پزشکی، مهندسی کامپیوتر، برق و پزشکی

گرایش های مرتبط با این مقاله

هوش مصنوعی، مهندسی الکترونیک، مهندسی کنترل، فیزیک پزشکی، مغز و اعصاب و پردازش تصاویر پزشکی

مجله

مجله پزشکی هسته ای و رادیولوژی مصری - The Egyptian Journal of Radiology and Nuclear Medicine

دانشگاه

دانشکده الکترونیک، دانشکده مهندسی و فناوری سنت جوزف، هند

کلمات کلیدی

گلیوبلاستوما چند حالته، تمرکز نابجا، ورم ازوژنیک، فیلتر دو طرفه، کنتراست انطباقی محدود، تساوی هیستوگرام

۰.۰ (بدون امتیاز)

امتیاز دهید

فهرست مطالب

چکیده
1.معرفی
2 . روش ها و مواد ها
3. مباحث و نتایج
4.نتیجه گیری

نمونه چکیده متن اصلی انگلیسی

Abstract

This paper does the qualitative comparison of Fuzzy C-means (FCM) and k-Means segmentation, with histogram guided initialization, on tumor edema complex MR images. The accuracy of any segmentation scheme depends on its ability to distinguish different tissue classes, separately. Hence, there is a serious pre-requisite to evaluate this ability before employing the segmentation scheme on medical images. This paper evaluates the ability of FCM and k-Means to segment Gray Matter (GM), White Matter (WM), Cerebro-Spinal Fluid (CSF), Necrotic Focus of Glioblastoma Multiforme (GBM) and the perifocal vasogenic edema from pre-processed T1 contrast axial plane MR images of tumor edema complex. The experiment reveals that FCM identifies the vasogenic edema and the white matter as a single tissue class and similarly gray matter and necrotic focus, also. k-Means is able to characterize these regions comparatively better than FCM. FCM identifies only three tissue classes whereas; k-Means identifies all the six classes. The experimental evaluation of k-Means and FCM, with histogram guided initialization is performed in Matlab.

نمونه چکیده ترجمه متن فارسی

چکیده
این مقاله کیفیت فازی C-Means و بخش بندی K-Means مقایسه می کند ، و تصاویرMR پیچیده از تومور مغزراباهیستوگرام اولیه مشخص میکند.دقت دربخش بندی به طورجداگانه بستگی به توانایی دکتربرای تشخیص طبقات مختلف بافت دارد . از این رو ، یک پیش نیاز جدی برای ارزیابی توانایی قبل ازبخش بندی تصاویرپزشکی وجود دارد . این مقاله توانایی FCM و Means-K بخش بندی خاکستری ماده(GM) ،ماده سفید (WM)،مایع مغزی-نخاعی (CSF) ، نکروزی گلیوبلاستمامولتی (GBM) ،ورم ازوژنیک،کنتراست1Tکه محورهم سطح تصاویر ورم MR تومور است را ارزیابی می کند . آزمایش نشان می دهدکه FCM ازوژنیک وماده سفیدبه عنوان یک بافت و ماده به طور مشابه به رنگ خاکستری و نکروتیک شناسایی می شوند K-Means قادربه تشخیص مناطق است که نسبت به FCM بهتر تشخیص می دهد . FCM تنها 3 بافت را شناسایی می کند در حالی که ، K-Means تمام 6 بافت را شناسایی می کند . ارزیابی تجربی Means-K و FCM ، با هیستوگرام در نرم افزار متلب انجام می شود .

برچسب‌ها: دانلود رایگان مقالات انگلیسی پزشکی، دانلود رایگان مقالات انگلیسی مهندسی کامپیوتر، دانلود رایگان مقالات انگلیسی مهندسی برق، دانلود رایگان مقالات انگلیسی هوش مصنوعی