تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله روش نیمه خودکار تقسیم بندی کبد از تصاویر CT سه بعدی با ماشین یادگیری نهایی – نشریه IEEE

عنوان فارسی: یک روش نیمه خودکار تقسیم بندی کبد از تصاویر CT سه بعدی با ماشین یادگیری نهایی
عنوان انگلیسی: A Semi-automatic Approach to the Segmentation of Liver Parenchyma from 3D CT Images with Extreme Learning Machine
تعداد صفحات مقاله انگلیسی : 4 تعداد صفحات ترجمه فارسی : 11
سال انتشار : 2012 نشریه : آی تریپل ای - IEEE
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 5658 رفرنس : دارد
محتوای فایل : zip حجم فایل : 2.70Mb
رشته های مرتبط با این مقاله: مهندسی کامپیوتر، پزشکی و مهندسی پزشکی
گرایش های مرتبط با این مقاله: هوش مصنوعی، گوارش و کبد و رادیولوژی
مجله: 34 کنفرانس بین المللی سالانه EMBS
دانشگاه: سن دیگو، کالیفرنیا، ایالات متحده آمریکا
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.معرفی ELM

3.روش

A.پیش پردازش و انتخاب ROI

B.استخراج ویژگی

C.سبک معماری طبقه بندی کننده

D.طبقه بندی دودویی

E.پس پردازش

4.بحث و نتایج

نمونه متن انگلیسی

Abstract

This paper presents a semi-automatic approach to segmentation of liver parenchyma from 3D computed tomography (CT) images. Specifically, liver segmentation is formalized as a pattern recognition problem, where a given voxel is to be assigned a correct label – either in a liver or a non-liver class. Each voxel is associated with a feature vector that describes image textures. Based on the generated features, an Extreme Learning Machine (ELM) classifier is employed to perform the voxel classification. Since preliminary voxel segmentation tends to be less accurate at the boundary, and there are other non-liver tissue voxels with similar texture characteristics as liver parenchyma, morphological smoothing and 3D level set refinement are applied to enhance the accuracy of segmentation. Our approach is validated on a set of CT data. The experiment shows that the proposed approach with ELM has the reasonably good performance for liver parenchyma segmentation. It demonstrates a comparable result in accuracy of classification but with a much faster training and classification speed compared with support vector machine (SVM).

نمونه متن ترجمه

چکیده

این مقاله یک روش تقسیم بندی نیمه اتوماتیک از بافت کبد از تصاویر توموگرافی 3D (CT) محاسبه شده را ارائه می دهد. به طور خاص، تقسیم بندی کبد  به عنوان یک مسئله ی تشخیص الگو رسمی می شود، که در آن یک وکسل برای اختصاص دادن یک برچسب صحیح- هم در یک کبد و هم در یک طبقه ی غیر کبد داده می-شود. هر وکسل به یک بردار ویژگی که بافت های تصویر را توصیف می کند اختصاص داده می شود. بر اساس ویژگی های تولید، AN (ELM) یک طبقه بندی کننده ی ماشین یادگیری نهایی، برای طبقه بندی وکسل بکار برده می-شود. از آنجایی که تقسیم بندی وکسل اولیه تمایل به کمتر دقیق شدن در مرز را دارد، و وکسل های بافت غیر کبد دیگر با ویژگی بافتی مشابه کبد وجود دارند، صاف سازی  مورفولوژیکی و پالایش مجموعه سطح 3D برای بالا بردن دقت تقسیم بندی بکار برده می شوند. روش ما  در یک مجموعه ای از داده CT تایید می شود. آزمایش نشان می دهد که روش پیشنهادی با ELM  عملکرد خوب و معقولی برای بافت کبد تقسیم بندی دارد. این یک نتیجه ی قابل مقایسه را با دقت طبقه بندی اما با یک آموزش و سرعت طبقه بندی بسیار سریع تر در مقایسه با ماشین بردار پشتیبانی(SVM) نشان می دهد.