دانلود مقاله ترجمه شده روش نیمه خودکار تقسیم بندی کبد با ماشین یادگیری نهایی – مجله IEEE

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۲
تعداد صفحات مقاله انگلیسی	۴ صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر، پزشکی و مهندسی پزشکی
گرایش های مرتبط با این مقاله	هوش مصنوعی، گوارش و کبد و رادیولوژی
مجله	کنفرانس بین المللی سالانه EMBS
دانشگاه	سن دیگو، کالیفرنیا، ایالات متحده آمریکا
شناسه شاپا یا ISSN	ISSN ۱۵۵۷-۱۷۰X
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در سایت IEEE
نشریه آی تریپل ای

• فهرست مطالب:

چکیده
۱٫مقدمه
۲٫معرفی ELM
۳٫روش
A.پیش پردازش و انتخاب ROI
B.استخراج ویژگی
C.سبک معماری طبقه بندی کننده
D.طبقه بندی دودویی
E.پس پردازش
۴٫بحث و نتایج

۵٫ نتیجه گیری

• بخشی از ترجمه:

۵٫ نتیجه گیری
این نشان می دهد که ELM بهتر از SVM می باشد زیرا ان نیاز به تنظیمات کمتری دارد و کمتر به پارامترهای نشخص شده توسط کاربر حساس است. عملکرد SVM با ELM مقایسه می شود. برای مقابله با کمبود گاه گاه در تقسیم بندی ELM ما عملیات مورفولوژی و مجموعه سطح را برای پس پردازش برای افزایش تقسیم بندی بکار بردیم. در روش ما، تعامل کاربر تنها برای تسریع اماده سازی مجموعه داده ی آموزشی مورد نیاز می باشد. روش های طبقه بندی باقی مانده بطور کامل خودکار می باشند. حتی بدون مدل قبلی شکل، روش پیشنهادی به خوبی انجام می شود و به راحتی اجرا می شود.
ما بطور تجربی روش مان را در تقسیم بندی کبد نشان دادیم و و مزیت های بیشتر SVM را در سرعت اموزش نشان دادیم. در مقایسه با تکنیک های موجود، چارچوب ما برای پارامترهای تشخیص داده شده توسط کاربر قوی می باشد. بعلاوه، آن می تواند در یک مقدار محدود حالات تست آموزشی عمل کند و هیچ دانش قبلی از موقعیت، شکل و جهت اندام کبد مورد نیاز نباشد.
بعنوان یک کار در حال انجام ما در حال آزمایش با استفاده از طبقه کننده های ELM چندگانه برای تقسیم بافت پارانشیم سالم و بافت های آسیبی (تومور ) بصورت مشترک هستیم.

• بخشی از مقاله انگلیسی:

V. CONCLUSION

We summarize our contributions as follows. In this paper, we have proposed an approach using ELM to segment liver voxels in CT scans. We also examined briefly the performance of ELM compared with that of SVM. To deal with the occasional leakage in ELM segmentation, we applied morphologic operation and level set for the postprocessing to enhance the segmentation. In our approach, user interaction is only required to expedite the preparation of the training dataset. The remaining classification procedures are fully automated. Even without the shape prior model, the proposed approach performs reasonably well and it is easy to implement.

We have experimentally demonstrated that our method in liver segmentation and show advantageous over SVM in terms of training speed. Compared to existing techniques, our framework is robust to user-specified parameters. In addition, it can operate on a limited amount of training test cases and does not require any prior knowledge about the location, orientation or shape of the liver organ.

As an ongoing work, we are experimenting with using multiple ELM classifiers to segment the healthy parenchyma and pathological tissues (tumors) jointly.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله