دانلود مقاله ترجمه شده روش اتوماتیک برای تقسیم بندی تومور کبد از CTS – مجله IEEE

• فهرست مطالب:

چکیده
۱٫مقدمه
۲٫کارهای قبلی
۳٫ مواد و روش
A.تقسیم بندی کبد
B.تشخیص تومور
Cوطبقه بندی تومور
D.اصلاح برش های ۳ بعدی
۴٫ نتایج
۵٫ بحث و نتیجه گیری

• بخشی از ترجمه:

۵٫ بحث و نتیجه گیری
در مطالعه ی کنونی، ما مراحل الگوریتم مان را برای تقسیم بندی خودکار تومور در ساختار کبد از اسکن های CT ، طراحی شده برای تشخیص خودکار کبد توصیف می کنیم. تکنیک ها در نتایج نوید بخش چنانکه در جدول ۱ نشان داده شده است بدست آورده می شوند. با مقایسه با کارهای قبلی دیگر در جدول ۲، نتیجه نشان م دهد که الگوریتم به تشخیص دقیق برای تومور کبد با نمره ی کلی ۷۹ می رسد.مجموعه داده ی شماره ی ۲ و ۷ بیشترین نمره را دارند زیرا هر دو شامل یک ظاهر بزرگ تومور در برش های متوالی هستند چنانکه در شکل ۵(c) نشان داده شده است.
مجموعه داده ی شماره ی ۴ نمره ی بالایی را دارد اما نه به اندازه ی مجموعه داده ی شماره ی ۲ و ۷ و این به این دلیل است که اگرچه آن نیز دارای ظاهر توموری با برش های متوالی می باشد، اما این تومور کوچک است،؛ از این رو هر تفاوتی بین تقسیم بندی دستی و خودکار آن، بصورت تغییر قابل توجهی در ثبت خطای همپوشانی و تفاوت حجم می باشد. مجموعه داده ی شماره ی ۵ شامل ۵ ضایعه است که در سراسر برش هایی از مجموعه داده پخش شده است چنانکه در شکل ۵(a) نشان داده شده است. نمره ی کلی کمتر از نمره ی میانگین به دلیل پوزیتیو نادرست می باشد که یک مصنوع تیره در ساختار کبد در نظر گرفته می شود این مصنوع در دو برش نه بصورت متوالی ظاهر می شود. در آینده ما روش هایی را برای کاهش پوزیتیو نادرست با حذف مصنوعات محتملی که نتوانستند بعنوان یک تومور تشخیص داده شوند کشف خواهیم کرد.

• بخشی از مقاله انگلیسی:

V. DISCUSSION AND FUTURE WORKS

In the present study, we describe the steps of our new algorithm to automatically segment tumors in liver structure from CT scans, designed to achieve automatic detection of the liver. The proposed technique has achieved a promising result as shown in table 1. Comparing with the averages of other pervious works in table 2, the result shows that the algorithm achieves accurate detection for liver tumor with total score 79. Datasets number 2 and 7 have the highest score; because both contains one big tumor appear in successive slices as shown in Fig. 5(c). Dataset number 4 also has high score but not as datasets number 2 and 7, that is because although it also contains one tumor appear in successive slices, but this tumor is small; hence any difference between the manual and the automatic segmentation will be reflected as a noticeable variation in scoring of overlap error and volume difference. Dataset number 5 contains multiple lesions spread over all the slices of the dataset as shown in Fig. 5(a), the total score is lower than the average score because of a false positive; that is considering a dark artifact in liver structure as a tumor; this artifact appears in two slices not sequential. In the future, we will explore methods to reduce false positive cases by excluding possible artifacts that could be detected as tumors.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله