ترجمه مقاله طبقه بندی و توسعه ابزار برای بیماری های قلبی با استفاده از یادگیری ماشین - نشریه IEEE

ترجمه مقاله طبقه بندی و توسعه ابزار برای بیماری های قلبی با استفاده از یادگیری ماشین - نشریه IEEE
قیمت خرید این محصول
۳۱,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
طبقه بندی و توسعه ابزار برای بیماری های قلبی (تصویر های MRI) با استفاده از یادگیری ماشین
عنوان انگلیسی
Classification and development of tool for heart diseases (MRI images) using machine learning
صفحات مقاله فارسی
15
صفحات مقاله انگلیسی
6
سال انتشار
2016
رفرنس
دارای رفرنس در داخل متن و انتهای مقاله
نشریه
آی تریپل ای - IEEE
فرمت مقاله انگلیسی
pdf و ورد تایپ شده با قابلیت ویرایش
فرمت ترجمه مقاله
pdf و ورد تایپ شده با قابلیت ویرایش
فونت ترجمه مقاله
بی نازنین
سایز ترجمه مقاله
14
نوع مقاله
ISI
نوع ارائه مقاله
کنفرانس
کد محصول
10290
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه نشده است ☓
وضعیت ترجمه منابع داخل متن
درج نشده است ☓
ضمیمه
ندارد
بیس
نیست ☓
مدل مفهومی
ندارد ☓
پرسشنامه
ندارد ☓
متغیر
دارد ✓
رفرنس در ترجمه
در انتهای مقاله درج شده است
رشته و گرایش های مرتبط با این مقاله
مهندسی پزشکی و پزشکی، قلب و عروق، پردازش تصاویر پزشکی، سایبرنتیک پزشکی
کنفرانس
چهارمین کنفرانس بین المللی محاسبات شبکه، موازی ، توزیع شده - Fourth International Conference on Parallel
دانشگاه
دانشکده فنی و مهندسی، دانشگاه شولینی، هند
کلمات کلیدی
cp-charm، پروانه سلولی، هیپوکسیزی جهانی، استخراج ویژگی، MRI، پیش بینی
کلمات کلیدی انگلیسی
cp-charm - cellprofiler - Global hypokenesia - feature extraction - MRI - prediction
doi یا شناسه دیجیتال
https://doi.org/10.1109/PDGC.2016.7913149
فهرست مطالب
چکیده
1- مقدمه
2- مواد و روش های مورد استفاده
الف)جمع آوری داده ها
ب) استخراج ویژگی
ج) تولید مدل
د) اعتبار سنجی مدل
ه) اجرا
3- نتایج
3- مباحث
4- جمع بندی
نمونه چکیده متن اصلی انگلیسی
Abstract

Heart diseases are one of the major killers worldwide. Early detection of heart disease such as Global Hypokinesia can reduce this global burden. Computational method has potential to predict disease in early stages automatically and especially helpful in resources limited countries. Computational method to predict global hypokinesia based on confirms cases of global hypokinesia through MRI was developed. Almost all feature extraction method was used on MRI images and model was generated on merged and different images separately. High accuracy of model independent test set justified our approaches and reliability of model. The newly developed was implemented in python and available for open use.

نمونه چکیده ترجمه متن فارسی
چکیده
بیماری های قلبی یکی از مهم ترین عوامل مرگ و میر در جهان هستند. شناسایی سریع و اولیه ی بیماری های قلبی مانند هیپوکینزی میتواند موجب کاهش بار جهانی بیماری های قلبی و عروقی شود. روش های محاسباتی این پتانسیل را دارند تا بیماری را در مراحل اولیه به صورت خودکار پیش بینی کرده و به خصوص در کشور هایی که منابع محدودی را در اختیار دارند، این روش میتواند بسیار مفید باشد. روش های محاسباتی برای پیش بینی سراسری هیپوکینزی مبتنی بر موارد تاییدی هیپوکینزی سراسری از طریق MRI ، توسعه پیدا کرده است. تقریبا تمام استخراج ویژگی ها برای تصویر های MRI مورد استفاده قرار گرفته و این مدل بر روی تصویر های ترکیبی و مختلف، به صورت مجزا اعمال شده است. تست های مدل مستقل و صحت بالا ، روش های مورد استفاده ی مار را توجیه کرده و قابلیت اعتماد روش را نشان میدهد. این روش های توسعه یافته ی جدید، بر روی زبان پیتون نوشته شده است و برای کاربرد های متن باز، فراهم شده است.

بدون دیدگاه