دانلود ترجمه مقاله تشخیص کامپیوتری تومور مغز انسان به وسیله ام ار آی – الزویر ۲۰۱۴

• فهرست مطالب:

چکیده

۱٫ مقدمه

۲٫ تکنیک های تصویربرداری از مغز

۳٫ روش عام طرح MRI (CAD)

۳٫۱ تهیه و پردازش تصویر

۳٫۲ روش های تقسیم بندی برای تصاویر پزشکی MR

۳٫ ۳٫ تکنیک های استخراج و طبقه بندی ویژگی برای مغز MRI

۴٫ روش پیشنهادی

۴٫۱ تهیه و پردازش تصویر

۴٫ ۲٫ تقسیم بندی منطقه مورد نظر بر اساس FPCNN

۴٫۳ استخراج ویژگی مبتنی بر تبدیل موجک

۴ ۴٫ کاهش ویژگی بر اساس PCA

۴٫۵ طبقه بندی تصویر MRI بر اساس ANN

۴٫۶ ارزیابی عملکرد

۵٫ پیاده سازی و بحث در مورد آزمایش

۵٫ ۱٫ پایگاه داده

۵٫۲ پیش پردازش

۵٫۳ تقسیم بندی

۵٫ ۴٫ استخراج و کاهش ویژگی

۵٫ ۵٫ ارزیابی طبقه بندی و عملکرد

۶٫ نتیجه گیری و کار آینده

• بخشی از ترجمه:

۶٫ نتیجه گیری و کار آینده

با پیشرفت تکنیک های هوش محاسباتی و یادگیری ماشین، تشخیص به کمک کامپیوتر، برای تشخیص تومور مغزی جذاب تر شده است و یک موضوع مهم تحقیقاتی در تصویربرداری پزشکی و رادیولوژی تشخیصی است. در این مطالعه، ما مطالعات فعلی از الگوریتم های مختلف تقسیم بندی، استخراج ویژگی و طبقه بندی را بررسی نمودیم. به طور خاص، این مقاله به بررسی مقالات اخیر پرداخته است که بین سال های ۲۰۰۶ و ۲۰۱۲ ارائه شده اند. با توجه به این، ما یک روش ترکیبی برای پردازش تصاویر مغز MRI را ارائه نمودیم. روش پیشنهادی برای اولین بار از شبکه عصبی بازخورد -پالس-تزویجی به عنوان یک پردازنده نهایی برای تقسیم بندی تصویر و تشخیص منطقه مورد نظر استفاده می کند و سپس تبدیل موجک گسسته را برای استخراج ویژگی های تصاویر MRI به کار می گیرد. علاوه بر این تجزیه و تحلیل مولفه اصلی به منظور کاهش ابعاد ضرایب موجک انجام می شود که منجر به طبقه بندی دقیق و کارآمد تر می شود. برای طبقه بندی ورودی به نرمال یا غیر نرمال بر اساس پارامترهای انتخاب ویژگی، ویژگی های کاهش یافته به شبکه های عصبی انتشار به عقب فرستاده می شوند. یک ارزیابی اولیه در موردتصاویر مغز MRI، نتایج دلگرم کننده ای را ارائه داده است که نشان دهنده استحکام روش پیشنهادی است.

• بخشی از مقاله انگلیسی:

۶٫ Conclusion and future work

With the advance of computational intelligence and machine learning techniques, computer-aided detection attracts more attention for brain tumor detection. It has become one of the major research subjects in medical imaging and diagnostic radiology. In this study, we reviewed current studies of the different segmentation, feature extraction and classification algorithms. In particular, this paper reviews recent papers which are between 2006 and 2012. In light of this, we proposed a hybrid technique for processing of MRI brain images. The proposed technique first applies feedback pulse-coupled neural network as a front-end processor for image segmentation and detecting the region of interest, and then employs the discrete wavelet transform to extract features from MRI images. Moreover the principal component analysis is performed to reduce the dimensionality of the wavelet coefficients which results in a more efficient and accurate classifier. The reduced features are sent to back-propagation neural network to classify inputs into normal or abnormal based on feature selection parameters. A preliminary evaluation on MRI brain images shows encouraging results, which demonstrates the robustness of the proposed technique. We have realized a large number of algorithms that could also be applied to the developed system and compare the results with this one. According to the experimental results, the proposed method is efficient for automated diagnosis of brain diseases.