تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله طبقه بندی خطرات بیماری پسوریازیس مولتی کلاس با الگوی ماشین یادگیری – نشریه الزویر

عنوان فارسی: یک روش جدید برای طبقه بندی خطرات بیماری پسوریازیس مولتی کلاس: الگوی ماشین یادگیری
عنوان انگلیسی: A novel approach to multiclass psoriasis disease risk stratification: Machine learning paradigm
تعداد صفحات مقاله انگلیسی : 14 تعداد صفحات ترجمه فارسی : 28
سال انتشار : 2016 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 6603 رفرنس : دارد
محتوای فایل : zip حجم فایل : 4.11Mb
رشته های مرتبط با این مقاله: پزشکی و مهندسی کامپیوتر
گرایش های مرتبط با این مقاله: هوش مصنوعی و پوست و مو
مجله: پردازش و کنترل سیگنال زیست پزشکی - Biomedical Signal Processing and Control
دانشگاه: گروه مهندسی برق، موسسه ملی فناوری، هند
کلمات کلیدی: درماتولوژی، بیماری پوستی پسوریازیس، مشخصات رنگی، مشخصات بافتی، یادگیری ماشین، چندطبقه یا مولتی کلاس
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.روش کار

2.1 اکتساب و اماده سازی داده ها

2.2 مشخصات رنگ

2.3 مشخصات بافت سیاه سفید (GS)

2.3.1 مشخصات GS براساس آماری

2.3.2 ویژگی های بافت GS براساس HOS

2.4 انتخاب ویژگی

2.5 طبقه بندی خطرات

3. نتایج

3.1 آنالیز عملکرد سیستم Pras به منظور اعتبار سنجی فرضیه های 1، 2 و 3

3.2 شواهد ثبات سیستم برای اعتبارسنجی فرضیه 4

3.3 نمایش تصویری ضایعات چنددرجه ای مقادیر ویژگی ها

3.4 ارزیابی عملکرد

3.4.1 شاخص قابلیت اطمینان

3.4.2 قدرت حفظ ویژگی

3.4.3 اثر تجمعی ویژگی ها

4. بحث

4.1 سیستم ما

4.2 بررسی مختصر

4.3 قابلیت اطمینان و ثبات سیستم

4.4 نقاط قوت، نقاط ضعف و توسعه

5. نتیجه گیری

نمونه متن انگلیسی

Abstract

The stage and grade of psoriasis severity is clinically relevant and important for dermatologists as it aids them lead to a reliable and an accurate decision making process for better therapy. This paper proposes a novel psoriasis risk assessment system (pRAS)for stratification of psoriasis severity from colored psoriasis skin images having Asian Indian ethnicity. Machine learning paradigm is adapted for risk stratification of psoriasis disease grades utilizing offline training and online testing images. We design four kinds of pRAS systems. It uses two kinds of classifiers (support vector machines (SVM) and decision tree (DT)) during training and testing phases and two kinds of feature selection criteria (Principal Component Analysis (PCA) and Fisher Discriminant Ratio (FDR)), thus, leading to an exhaustive comparison between these four systems. Our database consisted of 848 psoriasis images with five severity grades: healthy, mild, moderate, severe and very severe, consisting of 383, 47, 245, 145, and 28 images respectively. The pRAS system computes 859 colored and grayscale image features. Using cross-validation protocol with K-fold procedure, the pRAS system utilizing the SVM with FDR combination with combined color and grayscale feature set gives an accuracy of 99.92%. Several performance evaluation parameters such as:feature retaining power, aggregated feature effect and system reliability is computed meeting our assumptions and hypothesis. Our results demonstrate promising results and pRAS system is able to stratify the psoriasis disease.

نمونه متن ترجمه

چکیده

مرحله و درجه شدت پسوریازیس، از نظر بالینی بهم مرتبط هستند و برای متخصصان پوست از این نظر مهم هستند که در روند تصمیم گیری دقیق و مطمئن برای درمان بهتر، به آنها کمک می کنند. این مقاله، یک سیستم جدید ارزیابی خطر پسوریازیس (pRAS) را برای طبقه بندی شدت پسوریازیس ارائه داده است که در آن، از تصاویر رنگی پوست مبتلا به پسوریازیس فردی که قومیت هندی آسیایی دارد، استفاده شده است. الگوی یادگیری ماشین یا دستگاه، برای رده بندی خطر درجات بیماری پسوریازیس، با بکارگیری آموزش آفلاین و تصاویر تست کننده انلاین، سازگار شده است. چهار نوع سیستم pRAS را طراحی کردیم. دو نوع طبقه بندی کننده (دستگاه پشتیبان بردار (SVM) و درخت تصمیم گیری (DT)) را در طول مراحل آموزش و تست، و دو نوع معیار انتخاب ویژگی را (آنالیز جزء اصلی (PCA) و نسبت تفکیک فیشر (FDR)) بکار بردیم که منجر به مقایسه جامع میان این چهار سیستم شد.

پایگاه داده ما شامل 848 تصویر پسوریازیس با پنج درجه شدت است: سالم، خفیف، متوسط، شدید و بسیار شدید که بترتیب شامل 383، 47، 245، 145 و 28 تصویر هستند. سیستم pRAS، مشخصات 859 تصویر رنگی و سیاه سفید را محاسبه کرد. سیستم pRAS با استفاده از پروتوکل اعتبارسنجی ((cross-validation ، به همراه روش K-fold، و با بکار گیری SVM به همراه ترکیب FDR با مجموعه ای از ویژگی های ترکیب شده رنگی و سیاه سفید، دقت 99.92% را می دهد. چند پارامتر ارزیابی عملکرد مانند: قدرت حفظ ویژگی، اثر ویژگی های جمع آوری شده و قابلیت اطمینان سیستم، وجود مفروضات و فرضیه ما را محاسبه کردند. یافته هایمان نشان دادند که نتایج امیدوارکننده هستند و سیستم pRAS قادر به طبقه بندی بیماری پسوریازیس است.