دانلود ترجمه مقاله Means-K و تقسیم بندی تصاویر MR از مغز – مجله الزویر
گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” Means-K و تقسیم بندی تصاویر MR از مغز ” 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.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
عنوان فارسی مقاله: |
ارزیابی k-Means و بخش بندی تصاویر MR از مغز و فازی C-Means |
عنوان انگلیسی مقاله: |
Evaluation of k-Means and fuzzy C-means segmentation on MR images of brain |
|
مشخصات مقاله انگلیسی (PDF) | |
سال انتشار | ۲۰۱۵ |
تعداد صفحات مقاله انگلیسی | ۵ صفحه با فرمت pdf |
رشته های مرتبط با این مقاله | مهندسی پزشکی، مهندسی کامپیوتر، برق و پزشکی |
گرایش های مرتبط با این مقاله | هوش مصنوعی، مهندسی الکترونیک، مهندسی کنترل، فیزیک پزشکی، مغز و اعصاب و پردازش تصاویر پزشکی |
مجله | مجله پزشکی هسته ای و رادیولوژی مصری – The Egyptian Journal of Radiology and Nuclear Medicine |
دانشگاه | دانشکده الکترونیک، دانشکده مهندسی و فناوری سنت جوزف، هند |
کلمات کلیدی | گلیوبلاستوما چند حالته، تمرکز نابجا، ورم ازوژنیک، فیلتر دو طرفه، کنتراست انطباقی محدود، تساوی هیستوگرام |
شناسه شاپا یا ISSN | ۲۰۱۵٫۰۲٫۰۰۸ ISSN |
رفرنس | دارد |
لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
نشریه | Elsevier |
مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت ۱۴ B Nazanin | ۱۰ صفحه |
ترجمه عناوین تصاویر | ترجمه شده است |
ترجمه متون داخل تصاویر | ترجمه شده است |
درج تصاویر در فایل ترجمه | درج شده است |
درج جداول در فایل ترجمه | ندارد |
درج فرمولها و محاسبات در فایل ترجمه به صورت عکس | درج شده است |
- فهرست مطالب:
چکیده
۱٫معرفی
۲ . روش ها و مواد ها
۳٫ مباحث و نتایج
۴٫نتیجه گیری
- بخشی از ترجمه:
نتیجه گیری
اثر FCM و Means-K ، با هیستوگرام اولیه ، روی کنتراست سطح ۱TتصاویرMRورمGBMتحلیل شده بود . FCM می تواند ۲ بافت کلاس و پس زمینه را شناسایی کند . GM شامل CSF وتمرکز نکروتیک یک کلاس و WM و ورم در بقیه نقاط مرکز است . FCM سه خوشه خالی را در اولین تست دو تصویر و درآخرین تست یک تصویر تولید می کند . Means-K می تواند CSF ، GM ، WM ، نکروتیک ورم وناحیه پس زمینه را شناسایی می کند . اما ، بخش های خاصی از WM با افزایش ورم وبالعکس خوشه بندی می شوند.تداخل صداهابین CSF ، نکروزی و GM نیز است . این اتفاق ویژگی های شدت ورم و بخش های خاصی از WM رابه طورکامل مساوی هم قرار می دهد . به ظور مشابه،بخش های خاصی ازCSF،GMونکروزی درویژگی های شدت همگن به اشتراک گذاشته می شود . به طور کامل GBM ، به صورت خودکار بخش بندی شده ، از این رو شدت پیچیدگی مبتنی بر بخش بندی تصاویر MR ورم پیچیده GBM نخواهد بود .
- بخشی از مقاله انگلیسی:
۴٫ Conclusion
The efficacy of FCM and k-Means, with histogram guided initialization,was analyzed on T1 contrast axial plane MRimages of GBM-edema complex. FCM could identify two tissueclasses and background. It merged GM, CSF and necroticfocus into one class and WM and perifocal edema intoanother. FCM produced three empty clusters in first two testimages and two in the last one. k-Means could identify CSF,GM, WM, necrosis, edema and background region. But, certainparts of the WM were clustered with enhancing edemaand vice versa. This cross talk occurs between CSF, necrosisand GM also. This happens as the intensity features of theedema and certain parts of WM are perfectly equal.Similarly, certain parts of CSF, GM and necrosis also shareshomogenous intensity features. Fully automated segmentationof GBM, hence would be intricate and intensity based segmentationwould not be viable for MR images of GBM-edemacomplex.
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
عنوان فارسی مقاله: |
بررسی Means-K و تقسیم بندی تصاویر MR از مغز و Means-CC-Means |
عنوان انگلیسی مقاله: |
Evaluation of k-Means and fuzzy C-means segmentation on MR images of brain |
|