تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله مقایسه روش های فراگیری ماشین برای کشف فلج چند گانه مبتنی بر آنتروپی موجک ایستا – نشریه Sage

عنوان فارسی: مقایسه روش های فراگیری ماشین برای کشف فلج چند گانه مبتنی بر آنتروپی موجک ایستا: درخت تصمیم گیری، نزدیک ترین همسایه و ماشین بردار پشتیبانی
عنوان انگلیسی: Comparison of machine learning methods for stationary wavelet entropy-based multiple sclerosis detection: decision tree, k-nearest neighbors, and support vector machine
تعداد صفحات مقاله انگلیسی : 11 تعداد صفحات ترجمه فارسی : 15
سال انتشار : 2016 نشریه : سیج - Sage
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 8140 رفرنس : دارد
محتوای فایل : zip حجم فایل : 5.20Mb
رشته های مرتبط با این مقاله: مهندسی پزشکی، مهندسی کامپیوتر و سایبرنتیک پزشکی
گرایش های مرتبط با این مقاله: پردازش تصاویر پزشکی و هوش مصنوعی
مجله: شبیه سازی پردازش تصویر دیجیتال در کاربرد های پزشکی
دانشگاه: دانشکده علوم و فناوری کامپیوتر، دانشگاه نانجینگ، چین
کلمات کلیدی: مولتیپل اسکلروزیس، آنتروپی موجک ثابت، درخت تصمیم گیری، همسایگان نزدیک k، دستگاه بردار پشتیبانی، یادگیری ماشین
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده 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- مواد

2-1 منبع

2-2 عادی سازی اسکن درونی

3- روش شناسی

3-1 انتروپی موجک ایستاء

3-2 دسته بندی

3-3 آزمایش آماری

4- نتایج

4-1 تبدیل موجک ایستاء

4-2 مقایسه دسته کننده

4-3 مقایسه با روش های با جدید ترین فناوری

4-4 زمان محاسبه

5- بحث و تبادل نظر

6- نتیجه گیری و مسیر های آینده

نمونه متن انگلیسی

Abstract

In order to detect multiple sclerosis (MS) subjects from healthy controls (HCs) in magnetic resonance imaging, we developed a new system based on machine learning. The MS imaging data was downloaded from the eHealth laboratory at the University of Cyprus, and the HC imaging data was scanned in our local hospital with volunteers enrolled from community advertisement. Inter-scan normalization was employed to remove the gray-level difference. We adjust the misclassification costs to alleviate the effect of unbalanced class distribution to the classification performance. We utilized two-level stationary wavelet entropy (SWE) to extract features from brain images. Then, we compared three machine learning based classifiers: the decision tree, k-nearest neighbors (kNN), and support vector machine. The experimental results showed the kNN performed the best among all three classifiers. In addition, the proposed SWE+ kNN approach is superior to four state-of-the-art approaches. Our proposed MS detection approach is effective.

نمونه متن ترجمه

چکیده

ما با هدف کشف افراد دارای فلج چند گانه (MS) از کنترل های سالم (HC) در تصویر برداری رزنانس مغناطیسی یک سیستم جدید را بر اساس فراگیری ماشین توسعه داده ایم . داده تصویر برداری MS از لابراتوار eHealth در دانشگاه قبرس دانلود شده بود و داده تصویر برداری HC در بیمارستان محلی ما با داوطلباتی اسکن شده بود که از بر اساس تبلیغات نام نویسی کرده اند . عادی سازی اسکن درونی برای حذف اختلاف سطح خاکستری بکار گرفته شد . ما هزینه های دسته بندی اشتباه را تنظیم می نماییم تا تاثیر توزیع دسته نامتوازن را بر عملکرد دسته بندی کاهش دهیم . ما از انتروپی موجک ایستاء دو سطحی (SWE) استفاده کرده ایم تا خصیصه های تصاویر مغزی را استخراج نماییم . سپس ما سه دسته کننده مبتنی بر فراگیری ماشین را مقایسه کرده ایم که عبارتند از : درخت تصمیم ، نزدیک ترین همسایه ها (KNN ) و ماشین بردار پشتیبانی . نتایج آزمایشی یک kNN را که در میان کل سه دسته کننده به بهترین نحو اجراء شده اند را نشان داده اند . بعلاوه ، رویکرد SWE + kNN پیشنهادی با چهار رویکرد با جدید ترین تکنولوژی در اولویت قرار دارد . رویکرد کشف MS پیشنهادی ما موثر است .