| عنوان فارسی مقاله: | طبقه بندی عکسهای پزشکی با استفاده از شیوه منطق فازی بر مبنای الگوریتم ژنتیکی |
| عنوان انگلیسی مقاله: | Medical image classification using geneticalgorithm based fuzzy-logic approach |
| سال انتشار | 2004 |
| تعداد صفحات مقاله انگلیسی | 9 صفحه |
| تعداد صفحات ترجمه مقاله | 22 صفحه |
| مجله | عکسبرداری الکترونیک |
| دانشگاه | نیگاتا |
| کلمات کلیدی | – |
| نشریه | SPIE |
فهرست مطالب:
چکیده
۱ مقدمه
۲ روشها
۱ ۲ توابع عضویت فوزی و قوانین فوزی
۲ ۲ بهینه سازی تابع عضویت فوزی با استفاده از الگوریتم های ژنتیکی
۳ ۲ تغییر حالت فوزی (Defuzzification)
۳ کاربردها
۱ ۳ طبقه بندی بیماری قلبی میوکار با کمک تصاویر فراصوتی
۱ ۱ ۳ مجموعه داده
۲ ۱ ۳ استخراج ویژگی
۳ ۱ ۳ طبقه بندی با استفاده از شیوه منطق فوزی بر مبنای GA
۴ ۱ ۳ نتایج و بحث
۲ ۳ طبقه بندی توده های ریزآهکی دسته بندی شده روی ماموگرام ها
۱ ۲ ۳ مجموعه داده
۲ ۲ ۳ استخراج ویژگی
۳ ۲ ۳ طبقه بندی با استفاده از شیوه منطق فوزی بر مبنای GA
۴ ۲ ۳ نتایج و بحث
۴ نتیجه گیری
بخشی از ترجمه:
مقدمه
تحقیق در زمینه تشخیص کامپیوتری یا بر مبنای کامپیوتر (CAD) به سرعت در حال رشد می باشد، این رشته ، رشته ای پویا با تکنیک های کامپیوتری جدید، واحدهای عکسبرداری و تفاسیر جدید می باشد. CAD به تشخیص صورت گرفته از سوی رادیولوژیست اتلاق می گردد، وی از خروجی تحلیل کامپیوتری تصاویر پزشکی به عنوان نظر دوم در زمینه تشخیص ضایعات، سنجش میزان بیماری و تصمیمات تشخیصی لازم استفاده می کند. تاکنون، مقالات CAD از ماموگرام یا رادیوگرافی قفسه سینه استفاده کرده اند. گزارشات اخیر نشان میدهد که تحقیق CAD به سایر رشته ها از جمله اکوکاردیوگرافی یا کلونوگرافی بسط داده شده است.
در این مقاله، طرح عمومی CAD را بر اساس طرح قبلاً گزارش شده CAD معرفی می کنیم. طرح پیشنهاد شده CAD از چهار مرحله بهره می گیرد: پردازش تصویر، استخراج ویژگی ، آموزش تقسیم کننده و طبقه بندی . از این مراحل می توان در واحدهای مختلف تصویربرداری و بیماریها با تغییر جزئی استفاده نمود. در این سیستم، اصولاً از منطق فوزی برای طبقه بندی استفاده می کنیم. بر خلاف تیپ های قراردای توابع عضویت فوزی نظیر مثلث وذوزنقه ای، ازتوابع عضویت توزیع شده گاوسی (GDMD) در سیستم استفاده شده است. GDMD در ابتدا با استفاده از ویژگیهای مختلف حاصل از مجموعه داده های تصویر ارائه گردید. سپس، اشکال GDMF با استفاده از فرایند یادگیری الگوریتم ژنتیکی (GA) بهینه سازی شدند. بعد از بهینه سازی، از سیستم مذکور برای تشخیص بیماری استفاده شده است. از نظر ما، این اولین باری است که چنین سیستمی با استفاده از شیوه فوزی بر مبنای GA توصیف شده است. در مقاله حاضر، از روش CAD برای تمایز بیماری قلبی میوکارد از تصاویر اکوکاردیوگرافی و تشخیص و طبقه بندی توده ریزآهکی دسته بندی شده از ماموگرام ها استفاده می کنیم. عملکرد روش CAD از نظر صحت، حساسیت و تخصص مورد ارزیابی قرار گرفته است.
4. نتیجه گیری
در این مقاله، برای طرح CAD در زمینه طبقه بندی بیماری، شیوه فوزی بر مبنای GA را پیشنهاد کرده ایم. هدف روش پیشنهاد شده بهره برداری از آموزش بر مبنای GA برای بهینه سازی توابع عضویت می باشد. برخلاف توابع عضویت قراردادری، از توابع عضویت توزیع شده گاوسی استفاده شد. اثربخشی روش پیشنهاد شده از طریق دو برنامه کاربردی ، یعنی تمایز بیماری قلبی میوکارد از عکسهای اکوکاردیوگرافی و طبقه بندی توده های ریزآهکی دسته بندی شده از ماموگرام ها شرح داده شده است. در این راستا روشهای پیشنهاد شده را با سه روش دیگر به نامهای BP-NN ، GA-NN و شیوه های فوزی مقایسه کرده ایم. در جریان تمایز بیماری قلبی میوکارد، نتایج حاصله برحسب صحت برتری روش پیشنهاد شده را تائید کرده اند. در زمینه طبقه بندی توده ریزآهکی، برای مقایسه عملکرد چهار روش از روش تحلیل ROC استفاده گردید و نتایج حاصله با استفاده از روش پیشنهاد شده روند ارتقاء را نشان می دهد. کارهای آتی عبارتنداز افزایش تعداد عکسهای نمونه برای انجام تست امکان اجرای روش پیشنهاد شده، تغییر شکل تابع عضویت بخش نتیجه ، و کشف ویژگیهای قدرتمند عکس.
بخشی از مقاله انگلیسی:
Introduction
Research in computer-aided diagnosis ~CAD! is a rapidlygrowing, dynamic field with new computer techniques, newimaging modalities, and new interpretation tasks. CAD isdefined as a diagnosis made by a radiologist who uses theoutput from a computerized analysis of medical images as asecond opinion in detecting lesions, assessing extent of disease,and making diagnostic decisions.1 So far most CADpapers have involved either mammograms2–10 or chestradiographs.11–17 Recent reports show that CAD researchhas extended to other fields such as echocardiography18 andcolonography.19,20In this paper, we present a generalized CAD schemebased on our previously reported CAD scheme.18 The proposedCAD scheme, containing four stages: image preprocessing feature extraction, classifier training, and classification,can be applied to various imaging modalities anddiseases with minor modification. In our system, we basicallyemploy fuzzy logic for classification. Unlike the conventionaltypes of fuzzy membership functions such as triangleand trapezoid, Gaussian-distributed membershipfunctions ~GDMFs! are used in the system. The GDMFsare initially generated using various features obtained fromimage data sets. Subsequently, the shapes of the GDMFsare optimized using a genetic-algorithm ~GA! learning process.After optimization, the system is used for discriminationof disease. To our knowledge, this is the first time sucha CAD system has been described using the GA-basedfuzzy approach. In the present study, we apply our CADmethod to discriminate myocardial heart disease fromechocardiographic images and to detect and classify clusteredmicrocalcification from mammograms. The performanceof our CAD method is evaluated in terms of accuracy,sensitivity, and specificity.2 Methods 2.1 Fuzzy Membership Functions and Fuzzy RulesThe major components of the fuzzy-logic decision-makingsystem are fuzzy sets, fuzzy membership functions, andfuzzy rules. Each fuzzy set has a corresponding fuzzymembership function. The value of the membership functionranges from 0 to 1 and can be considered a degree oftruth.
| عنوان فارسی مقاله: | طبقه بندی عکسهای پزشکی با استفاده از شیوه منطق فازی بر مبنای الگوریتم ژنتیکی |
| عنوان انگلیسی مقاله: | Medical image classification using geneticalgorithm based fuzzy-logic approach |
خرید ترجمه فارسی مقاله با فرمت ورد