دانلود مقاله ترجمه شده شناسایی تومور در دیواره مثانه با سنجش ضخامت در CT اسکن – مجله IEEE

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” شناسایی تومور در دیواره مثانه با سنجش ضخامت در CT اسکن ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• فهرست مطالب:

چکیده
1- مقدمه
2- کارهای مرتبط
3- روش
الف) تهیه تصویر
ب) روش قطعه بندی
پ) تخمین ضخامت
ت) ساخت اطلس
ث) اندازه گیری وضعیت غیرعادی
4- نتایج
5- بحث
الف) نتایج اعتبارسنجی
ب) انتخاب اطلاعات واقعی
ت) مقایسه با سیستوسکوپی استاندارد
ث) کاربردهای بالقوه
نتیجه گیری

• بخشی از ترجمه:

نتیجه گیری
روش تشخیص تومور ما، یک اطلس ضخامت دیواره مثانه را ایجاد می کند که شامل ضخامت متوسط دیواره موضعی و انحراف معیار است. بنابراین این روش، تومورها را به صورت بخش هایی از دیواره مثانه بیمار شناسایی می کند که به اندازه 5/2 برابر انحراف معیار از ضخامت متوسط تجاوز می کند. روش تشخیص تومور پیشنهادی ما در مقایسه با سی تی اسکن ها قرائت شده توسط متخصص، حساسیت 89 درصدی، ویژگی 88 درصدی، مقدار پیش بینی مثبت 48 درصدی و مقدار پیش بینی منفی 98 درصدی را نشان می دهد. مقدار پیش بینی منفی بالا، نرم افزار ما را به یک روش مناسب در غربال گری سرطان مثانه تبدیل می کند. نرم افزار ما به طور دقیق مناطق سالم را شناسایی می کند و به پزشک اجازه می دهد که بر اسکن مثانه ی مشکوک تمرکز کند. این نرم افزار دهانه مثانه را ارزیابی می کند که در مقابل سیستوسکوپی استاندارد، یک مزیت حائز اهمیت محسوب می شود. قطعه بندی تعاملی، محدودیت موجود در کاربری کنونی ما است که زمان بر و خطاپذیر است. ما اعتقاد داریم که توسعه یک الگوریتم قطعه بندی خودکار دیواره مثانه می تواند این محدودیت را برطرف سازد.

• بخشی از مقاله انگلیسی:

VI. CONCLUSION

Our tumor detection method aligns a bladder wall thickness atlas, containing the local mean wall thickness and standard deviation, to a subject. It then identifies tumors as the sections of the patient bladder wall that exceed the mean thickness by more than 2.5 standard deviations. Compared with expert-read CT scans, our tumor detection exhibits 89% sensitivity, 88% specificity, 48% PPV, and 98% negative predictive value. The high negative predictive value makes our software suitable for bladder cancer screening. Our software accurately detects healthy regions, allowing the clinician to focus on the suspicious bladder scans. It evaluates the bladder neck, a significant advantage over standard cystoscopy. The limitation of our current implementation is the interactive segmentation, which is time consuming and susceptible to error. We expect that the development of an automated bladder wall segmentation algorithm would remove this limitation.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله