تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله یک تقسیم بندی خودکار کبد بر اساس مجموعه سطح از مجموعه داده های MRI – نشریه IEEE

عنوان فارسی: یک تقسیم بندی خودکار کبد بر اساس مجموعه سطح از مجموعه داده های MRI
عنوان انگلیسی: An Automatic Level Set Based Liver Segmentation from MRI Data Sets
تعداد صفحات مقاله انگلیسی : 6 تعداد صفحات ترجمه فارسی : 12
سال انتشار : 2012 نشریه : آی تریپل ای - IEEE
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 5659 رفرنس : دارد
محتوای فایل : zip حجم فایل : 1.20Mb
رشته های مرتبط با این مقاله: پزشکی و مهندسی کامپیوتر
گرایش های مرتبط با این مقاله: گوارش و کبد، تکنولوژی پرتوشناسی و هوش مصنوعی
مجله: سومین کنفرانس بین المللی تئوری پردازش تصویر، ابزار و نرم افزار
دانشگاه: گروه مهندسی کامپیوتر، دانشگاه Pamukkale، ترکیه
کلمات کلیدی: تقسیم بندی کبد، MRI، خطوط فعال هندسی، تنظیم سطح روش
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه نشده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1. مقدمه

2. 2.مجموعه داده

3. 3. کانتورهای فعال برای تقسیم بندی تصویر

4. IV. روش پیشنهادی برای تقسیم بندی کبد

5. V.نتایج و نتیجه گیری

نمونه متن انگلیسی

Abstract

A fast and accurate liver segmentation method is a challenging work in medical image analysis area. Liver segmentation is an important process for computer-assisted diagnosis, pre-evaluation of liver transplantation and therapy planning of liver tumors. There are several advantages of magnetic resonance imaging such as free form ionizing radiation and good contrast visualization of soft tissue. Also, innovations in recent technology and image acquisition techniques have made magnetic resonance imaging a major tool in modern medicine. However, the use of magnetic resonance images for liver segmentation has been slow when we compare applications with the central nervous systems and musculoskeletal. The reasons are irregular shape, size and position of the liver, contrast agent effects and similarities of the gray values of neighbor organs. Therefore, in this study, we present a fully automatic liver segmentation method by using an approximation of the level set based contour evolution from T2 weighted magnetic resonance data sets. The method avoids solving partial differential equations and applies only integer operations with a two-cycle segmentation algorithm. The efficiency of the proposed approach is achieved by applying the algorithm to all slices with a constant number of iteration and performing the contour evolution without any user defined initial contour. The obtained results are evaluated with four different similarity measures and they show that the automatic segmentation approach gives successful results.

نمونه متن ترجمه

چکیده

روش سریع و دقیق تقسیم یندی کبد، در زمینه ی تجزیه و تحلیل تصویر پزشکی، یک کار چالش بر انگیز است. تقسیم بندی کبد یک فرایند مهم در تشخیص کمک شده با کامپیوتر، ارزیابی قبل از پیوند کبد و برنامه ریزی برای درمان تومور کبد می باشد. در اینجا چندین مزیت برای تصویربرداری رزونانس مغناطیسی وجود دارد کانند شکل آزاد تابش یونیزه کننده، و تجسم کنتراست خوب بافت نرم. همچنین نوآوری های فن اوری های اخیر و فن-آوری های بدست آوردن تصویر، تصویر برداری رزونانی مغناطیسی را یک ابزار اصلی در پزشکی مدن ساخته است. به هر حال، استفاده از تصاویر رزونانس مغناطیسی برای تقسیم بندی کبد در مقایسه با عضلات اسکلتی و سیستم-های عصبی مرکزی کند بوده است. دلایل، موقعیت، اندازه و شکل نامنظم کبد، تاثیرات ماده ی کنتراست ، شباهت های مقادیر خاکستری اندام های مجاور می باشند. بنابراین در این مطالعه، ما یک روش تقسیم بندی کامل خودکار را با استفاده از یک تقریب ارزیابی کانتور بر اساس مجموعه سطح از مجموعه رزونانس مغناطیسی وزن شده ی T2 ارائه می کنیم. این روش از معادلات دیفرانسیل جزئی پرهیز می کند و تنها عملیات صحیح با یک الگوریتم تقسیم بندی دو سیکلی را بکار می برد. بهره وری روش پیشنهادی، توسط بکار گیری الگوریتم برای تمام تکه ها با یک تعدا ثابتی از تکرار و انجام ارزیابی کانتور بدون هیچ کانتور اولیه ی تعریف شده ی کاربر حاصل می-شود. نتایج بدست آمده با 4 اندازه ی متفاوت همسانی بدست آورده می شوند و آنها نشان می دهند که روش تقسیم بندی خودکار نتایج موفقیت آمیزی را می دهد.