دانلود ترجمه مقاله آنالیز فرکتال و آشکارسازی در علوم اعصاب – نشریه اسپرینگر

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” آنالیز فرکتال و آشکارسازی در علوم اعصاب ” 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:

خلاصه
مقدمه
۲٫ بعد فرکتال در علم اعصاب
۳٫ فرضیات روش
۳٫۱٫ مقیاس گذاری
۳٫۲٫ وضوح
۳٫۳٫ مقایسه تصاویر دودویی، تعیین شده و Skeletonised
۳٫۴٫ روش فرکتال
۳٫۵٫ آنالیز رگرسیون
۴٫ نتیجه گیری

• بخشی از ترجمه:

۴٫ نتیجه گیری
یک آنالیز فرکتال روشی ایده آل برای تعریف الگوهای انشعابی درخت های شاخه دار است، بازگردانی داده ها توسط روش های دیگری که بر پایه هندسه اقلیدسی هستند، در دسترس نیست. آنالیز فرکتال می تواند سه هدف جداگانه داشته باشد. ۱) تعیین اینکه نورون های فرکتال هستند یا نه ۲) طبقه بندی سلول ها ۳) شناسایی معنای بیولوژیکی همراه با D نسبت به مفهوم غیر ذاتی با فرکتالی. با این حال، اینکه چگونه این روش های به کار رفته، تخمین نهایی از بعد فرکتال D را تعیین می کنند، چند معیار تعیین روش نیاز است تا وقتی آنالیز فرکتال به کار می رود از منابع غیر قابل توضیح تغییرات جلوگیری شود.
با وجود محدودیت های مشخص شده در این مقاله، در بسیاری از موقعیت ها، یک عدد تکی، بعد فرکتال، خلاصه مقدار جزییات و پیچیدگی نورون ها، باقی می مانند. از آن مهم تر تفاوت های نسبی مشاهده شده بین گرو های سلولی برای کاربردهای متفاوت همان روش در اغلب موارد یکسان است. با این حال، تفاوت بین روش ها ممکن است به عنوان روش خطی دیده شود، به عنوان مثال اتساع خواص مختلف تصویر را در مقایسه با روش جمی مثل شعاع جرمی اندازه می گیرد. بنابراین، نتایج ما نشان داد که الگوریتم های مختلف و حتی الگوریتم های یکسان انجام شده توسط برنامه های کامپیوتری مختلف و یا آزمایشات مختلف، ممکن است مقادیر عددی متفاوت اما سازگاری را بدهد. همه روش های شرح داده شده مناسب بودنشان را برای طبقه بندی نورون ها در گروه های مجزا نشان داده اند. نتایح ما این ایده را که مقایسه اندازه گیری های پروفایل های مختلف با استفاده از روش اندازه گیری یکسان می تواند مفید باشد را تقویت می کند و حتی اگر مقدار عددی دقیق از بعد عملا مشخص نباشد را اعتبار می بخشد.

• بخشی از مقاله انگلیسی:

۴ Conclusion

A fractal analysis is an ideal method for quantification of the branching patterns of dendritic trees, returning data not available by other methods that are based on Euclidean geometry. Fractal analysis can have three separate goals. 1. determination whether or not neurons are fractal, 2. classification of cells, 3. identification of biological meaning associated with D other than inherent in the notion of fractality. However, how these methods are implemented determines the final estimate of the fractal dimension, D.[29] Several methodological criteria need to be considered when applying fractal analysis to avoid unexplainable sources of variation.

Notwithstanding the limitations outlined in this paper, it remains that in many situations a single number, the fractal dimension, summarises concisely the amount of detail and complexity of neurons. More importantly the relative differences observed between cell groups are in most instances identical for different applications of the same method. However differences between methods may be observed as a linear-based method such as dilation measures different attributes of the image compared to a massbased method such as mass-radius. Thus our results show that different algorithms, and even the same algorithm performed by different computer programs and/or experimenters may give different but consistent numerical values. All described methods demonstrated their suitability for classifying neurons into distinct groups. Our results reinforce the idea that comparison of measurements of different profiles using the same measurement method may be useful and valid even if an exact numeric value of the dimension is not realised in practice.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله