دانلود ترجمه مقاله تشخیص توده ها در ماموگرام با سازگاری بر چگالی سینه با الگوریتم ژنتیک – مجله الزویر

• فهرست مطالب:

چکیده
۱- مقدمه
۲- مبنای تئوریکی
۲-۱- درختهای فیلوژنتیک و شاخصهای تنوع
۲-۲- الگوهای دوتایی محلی
۲-۳- الگوریتم میکرو ژنتیک
۳- روش پیشنهادی
۳-۱- اکتساب
۳-۲- پیش پردازش
۳-۳- اموزش و اعتبار
۳-۳- ردیابی چگالی سینه
۳-۳-۱- پیش پردازش
۳-۳-۲- استخراج مشخصه
۳-۴- بخش بندی
۳-۵- کاهش مثبتهای کاذب
۳-۵-۱- کاهش مثبت کاذب با
۳-۵-۲- کاهش مثبتهای کاذب با درختهای فیلوژنتیک، و
استخراج مشخصات
زیر نواحی مد نظر
بردارهای ویژگی
۴- نتایج و توضیحات
۴-۱- ردیابی توده ها
۴-۱-۱- کسب و پیش پردازش
۴-۱-۲- ردیابی سینه چگال
۴-۱-۳- بخش بندی ها
۴-۱-۴- کاهش مثبتهای کاذب با استفاده از
۴-۱-۵- کاهش مثبتهای کاذب با استفاده از درختهای فیلوژنتیک
۴-۲- مطالعات موردی
۴-۲-۱- مورد اول: ردیابی صحیح چگالی
۴-۲-۲- مورد دوم: ردیابی غیر صحیح چگالی
۴-۲-۳- مورد سوم: موفقیت در ردیابی توده ها
۴-۲-۴- مورد چهارم: شکست در ردیابی توده ها
۴-۲-۵- مورد پنجم: شکست بخش بندی
۴-۲-۶- مورد ششم: شکست در کاهش مثبتهای کاذب
۴-۳- بحث
۴-۴- مقایسه با سایر کارهای مربوطه
۵- جمع بندی
تقدیر و تشکر

• بخشی از ترجمه:

۵- جمع بندی
این کار یک روش شناسی را برای ردیابی توده ها در ماموگرافی با کمک تکنیکهای پردازش تصویر ؛ تشخیص الگو و الگوریتمهای سیر تکاملی با انطباق اتوماتیک چگالی برای هر سینه ی تحت انالیز ارائه نموده است.
این روش از تصاویر حاصل از که یک پایگاه داده عمومی است استفاده میکند. به هر حال؛ سایر پایگاههای داده ای میتوانند استفاده شوند. که در ان صورت فقط به تنظیم برخی از پارامترها ی مورد نیاز برای مراحل روش نیاز میباشد. علاوه بر تصاویر؛ اطلاعات زیادتر ی مورد نیاز است؛ مانند علامتگذاری نواحی که محتوی توده هستند و نوع چگالی سینه‌ی مورد آنالیز.
مرحله برای ردیابی چگالی سینه دارای عملکرد خوبی است؛ که نرخ ۱۰۰% را در حساسیت؛ ویژگی و دقت در اعتبار سنجی مدل آموزشی دارد و در مجموع آزمایش دارای، حساسیت؛ ویژگی و دقت میباشد. این نشان میدهد که برای تولید مدلهای آموزشی بخوبی مدیریت شده است؛ که دارای قدرت تعمیم خوبی به موارد جدید میباشد.

• بخشی از مقاله انگلیسی:

۵٫ Conclusion

This work presents a methodology for detection of masses in mammography by means of image processing techniques, pattern recognition and evolutionary algorithms which automatically adapt the density of each breast under analysis. The proposed methodology uses images from DDSM, a public image database. However, other databases can be used, which will require only the adjustment of some parameters needed by the stages of the methodology. Besides the images, extra information is necessary, such as markings of the regions that contain masses and type of density of the breast under analysis. The stage for detection of the density of the breast had a good performance, achieving 100% rates of sensitivity, specificity and accuracy in the validation of the training model and, in the test set, 98,10% sensitivity, 98,52% specificity and 98,26% accuracy. This indicates that μGA managed to create good training models, which allowed a good generalization capability for new cases.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله