تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله آشکارسازی توده ها در ماموگرام با تطبیق بر چگالی سینه با الگوریتم ژنتیک – نشریه الزویر

عنوان فارسی: آشکارسازی توده ها در ماموگرام با تطبیق بر چگالی سینه با الگوریتم ژنتیک، درختهای فیلوژنتیک، ال بی پی و اس وی ام
عنوان انگلیسی: Detection of masses in mammograms with adaption to breast density using genetic algorithm, phylogenetic trees, LBP and SVM
تعداد صفحات مقاله انگلیسی : 18 تعداد صفحات ترجمه فارسی : 51
سال انتشار : 2015 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 4948 رفرنس : دارد
محتوای فایل : zip حجم فایل : 4.52Mb
رشته های مرتبط با این مقاله: پزشکی
گرایش های مرتبط با این مقاله: ایمنی شناسی پزشکی، پزشکی مولكولی، خون و آنکولوژی، آسیب شناسی، ژنتیک پزشکی
مجله: سیستم های خبره با کاربرد
دانشگاه: دانشگاه فدرال مارانهائو، گروه محاسبات کاربردی، سائو لوئیس، برزیل
کلمات کلیدی: سرطان سینه، تشخیص به کمک کامپیوتر، الگوریتم میکرو ژنتیک، درخت فیلوژنتیک، الگوهای باینری محلی، ماشین بردار پشتیبان
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده 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- مبنای تئوریکی

2-1- درختهای فیلوژنتیک و شاخصهای تنوع

2-2- الگوهای دوتایی محلی

2-3- الگوریتم میکرو ژنتیک

3- روش پیشنهادی

3-1- اکتساب

3-2- پیش پردازش

3-3- اموزش و اعتبار

3-3- ردیابی چگالی سینه

3-3-1- پیش پردازش

3-3-2- استخراج مشخصه

3-4- بخش بندی

3-5- کاهش مثبتهای کاذب

3-5-1- کاهش مثبت کاذب با

3-5-2- کاهش مثبتهای کاذب با درختهای فیلوژنتیک، و

استخراج مشخصات

زیر نواحی مد نظر

بردارهای ویژگی

4- نتایج و توضیحات

4-1- ردیابی توده ها

4-1-1- کسب و پیش پردازش

4-1-2- ردیابی سینه چگال

4-1-3- بخش بندی ها

4-1-4- کاهش مثبتهای کاذب با استفاده از

4-1-5- کاهش مثبتهای کاذب با استفاده از درختهای فیلوژنتیک

4-2- مطالعات موردی

4-2-1- مورد اول: ردیابی صحیح چگالی

4-2-2- مورد دوم: ردیابی غیر صحیح چگالی

4-2-3- مورد سوم: موفقیت در ردیابی توده ها

4-2-4- مورد چهارم: شکست در ردیابی توده ها

4-2-5- مورد پنجم: شکست بخش بندی

4-2-6- مورد ششم: شکست در کاهش مثبتهای کاذب

4-3- بحث

4-4- مقایسه با سایر کارهای مربوطه

5- جمع بندی

تقدیر و تشکر

نمونه متن انگلیسی

abstract

Breast cancer is the second commonest type of cancer in the world, and the commonest among women, corresponding to 22% of the new cases every year. This work presents a new computational methodology, which helps the specialists in the detection of breast masses based on the breast density. The proposed methodology is divided into stages with the objective of overcoming several difficulties associated with the detection of masses. In many of these stages, we brought contributions to the areas. The first stage is intended to detect the type of density of the breast, which can be either dense or non-dense. We proposed an adaptive algorithm capable of analyzing and image and telling if it is dense or non-dense. The first stage consists in the segmentation of the regions that look like masses. We propose a novel use of the micro-genetic algorithm to create a texture proximity mask and select the regions suspect of containing lesions. The next stage is the reduction of false positives, which were generated in the previous stage. To this end, we proposed two new approaches. The first reduction of false positives used DBSCAN and a proximity ranking of the textures extracted from the ROIs. In the second reduction of false positives, the resulting regions have their textures analyzed by the combination of Phylogenetic Trees, Local Binary Patterns and Support Vector Machines (SVM). A micro-genetic algorithm was used to choose the suspect regions that generate the best training models and maximize the classification of masses and non-masses used in the SVM. The best result produced a sensitivity of 92.99%, a rate of 0.15 false positives per image and an area under the FROC curve of 0.96 in the analysis of the non-dense breasts; and a sensitivity of 83.70%, a rate of 0.19 false positives per image and an area under the FROC curve of 0.85, in the analysis of the dense breasts.

نمونه متن ترجمه

چکیده

سرطان سینه دومین نوع سرطان رایج در جهان است؛ و رایج ترین سرطان در میان زنان میباشد که متناسب با نرخ 22% مورد جدید در سال  میباشد.   این کار یک روش شناسی جدید محاسباتی  را ارائه میدهد؛ که به متخصصان در شناسایی  توده های جرمی بر اساس چگالی سینه کمک کند. روش ارائه شده به مراحلی تقسیم میشود که هدف آن غلبه بر مشکلات مربوط به ردیابی توده ها است. هدف مرحله اول ردیابی نوع چگالی سینه است، که میتواند چگال یا غیر چگال باشد. ما یک الگوریتم انطباقی را پیشنهاد دادیم که قادر به انالیز و تصویر برداری و بیان اینکه سینه چگال یا غیر چگال است، میباشد. مرحله اول متشکل از بخش بندی نواحی است که مثل توده به نظر می آیند. ما یک استفاده جدید از الگوریتم میکرو ژنتیک را ارائه دادیم تا یک ماسک تقریبی بافت را بسازیم که بتواند نواحی ای که مشکوک به وجود زخم است را انتخاب کند. مرحله بعدی کاهش مثبتهای کاذب است؛ که در مرحله قبلی تولید شده اند. در انتها؛ ما دو رویکرد جدید را ارائه نمودیم. در اولین رویکرد، کاهش مثبتهای کاذب DBSCAN استفاده شده و رتبه بندی تقریبی بافتهای گرفته شده از ROIs.ها انجام میشود. در کاهش دومِ  مثبتهای کاذب، نواحی حاصله بافت خود را دارند ؛ که با ترکیب درختهای فیلوژنتیک، الگوهای دوتایی موضعی و ماشینهای بردار پشتیبان (SVM). انالیز شده اند. الگوریتمهای میکروژنتیک برای انتخاب نواحی مشکوک مدلهای اموزشی را تولید میکنند و دسته بندی توده ها و غیر توده ها ی استفاده شده در SVM. را حداکثر میکنند. بهترین نتیجه در آنالیز سینه های غیر چگال؛ حساسیت  92.99% ؛ نرخ مثبت کاذب 0.15 در هر تصویر و ناحیه زیر منحنی FROC برابر با 0.96، و در آنالیز سینه چگال، حساسیت 83.70% % نرخ مثبت کاذب 0.19 در هر تصویر و ناحیه زیر منحنی FROC برابر با 0.85، را تولید میکند.