این مقاله انگلیسی ISI در نشریه IEEE در 6 صفحه در سال 2016 منتشر شده و ترجمه آن 15 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
| عنوان فارسی مقاله: |
رده بندی و توسعه ابزار برای بیماری های قلبی (تصاویر MRI) با استفاده از یادگیری ماشین |
| عنوان انگلیسی مقاله: |
Classification and development of tool for heart diseases (MRI images) using machine learning |
|
|
|
| مشخصات مقاله انگلیسی | |
| فرمت مقاله انگلیسی | pdf و ورد تایپ شده با قابلیت ویرایش |
| سال انتشار | 2016 |
| تعداد صفحات مقاله انگلیسی | 6 صفحه با فرمت pdf |
| نوع مقاله | ISI |
| نوع ارائه مقاله | کنفرانس |
| رشته های مرتبط با این مقاله | مهندسی پزشکی و پزشکی |
| گرایش های مرتبط با این مقاله | قلب و عروق، پردازش تصاویر پزشکی، سایبرنتیک پزشکی |
| چاپ شده در کنفرانس | چهارمین کنفرانس بین المللی محاسبات شبکه، موازی ، توزیع شده – Fourth International Conference on Parallel |
| کلمات کلیدی | MRI، پروانه سلولی، cp-charm، هیپوکسیزی جهانی، استخراج ویژگی، پیش بینی |
| کلمات کلیدی انگلیسی | cp-charm – cellprofiler – Global hypokenesia – feature extraction – MRI – prediction |
| ارائه شده از دانشگاه | دانشکده فنی و مهندسی، دانشگاه شولینی، هند |
| نویسندگان | Lalaantika Sharma، Gaurav Gupta، Varun Jaiswal |
| شناسه دیجیتال – doi | https://doi.org/10.1109/PDGC.2016.7913149 |
| بیس | نیست ☓ |
| مدل مفهومی | ندارد ☓ |
| پرسشنامه | ندارد ☓ |
| متغیر | دارد ✓ |
| رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
| کد محصول | 10290 |
| لینک مقاله در سایت مرجع | لینک این مقاله در سایت IEEE |
| نشریه آی تریپل ای |  |
| مشخصات و وضعیت ترجمه فارسی این مقاله | |
| فرمت ترجمه مقاله | pdf و ورد تایپ شده با قابلیت ویرایش |
| وضعیت ترجمه | انجام شده و آماده دانلود |
| کیفیت ترجمه | ویژه – طلایی ⭐️⭐️⭐️ |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | 15 صفحه (1 صفحه رفرنس انگلیسی) با فونت 14 B Nazanin |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است ✓ |
| ترجمه متون داخل تصاویر | ترجمه نشده است ☓ |
| ترجمه متون داخل جداول | ترجمه نشده است ☓ |
| درج تصاویر در فایل ترجمه | درج شده است ✓ |
| درج جداول در فایل ترجمه | درج شده است ✓ |
| منابع داخل متن | درج نشده است ☓ |
| منابع انتهای متن | به صورت انگلیسی درج شده است ✓ |
| فهرست مطالب |
|
چکیده 1- مقدمه 2- مواد و روش های مورد استفاده الف)جمع آوری داده ها ب) استخراج ویژگی ج) تولید مدل د) اعتبار سنجی مدل ه) اجرا 3- نتایج 3- مباحث 4- جمع بندی |
| بخشی از ترجمه |
|
چکیده بیماری های قلبی یکی از مهم ترین عوامل مرگ و میر در جهان هستند. شناسایی سریع و اولیه ی بیماری های قلبی مانند هیپوکینزی میتواند موجب کاهش بار جهانی بیماری های قلبی و عروقی شود. روش های محاسباتی این پتانسیل را دارند تا بیماری را در مراحل اولیه به صورت خودکار پیش بینی کرده و به خصوص در کشور هایی که منابع محدودی را در اختیار دارند، این روش میتواند بسیار مفید باشد. روش های محاسباتی برای پیش بینی سراسری هیپوکینزی مبتنی بر موارد تاییدی هیپوکینزی سراسری از طریق MRI ، توسعه پیدا کرده است. تقریبا تمام استخراج ویژگی ها برای تصویر های MRI مورد استفاده قرار گرفته و این مدل بر روی تصویر های ترکیبی و مختلف، به صورت مجزا اعمال شده است. تست های مدل مستقل و صحت بالا ، روش های مورد استفاده ی مار را توجیه کرده و قابلیت اعتماد روش را نشان میدهد. این روش های توسعه یافته ی جدید، بر روی زبان پیتون نوشته شده است و برای کاربرد های متن باز، فراهم شده است.
5- جمع بندی هیپکنزی سراسری یک مسئله ی سلامتی مهم در سراسر جهان میباشد که منجر به مشکلات مختلف دیگری برای حمله های قلبی میشود. این حقیقت که بعضی از افراد بررسی شده این فرصت را نداشته اند که در این پیش گیری ها شرکت کنند، باید در نظر گرفته شود. تست های مختلف MRI وجود دارد که برای این تصویر های MRI مورد استفاده قرار میگیرد. با در نظر داشتن اهمیت بیماری های قلبی، تکنیک های محاسباتی مختلف برای پیش بینی تست های تصاویر و مشکلات موجود در نظر گرفته میشود. این تست های تصویر برداری مبتنی بر یادگیری ماشین میباشد. جمع آوری داده ها از بیمارستان ها به دست می آید. 30 بیمار در هر دسته وجود دارد که در نظر گرفته شده است. با در نظر گرفتن 900 تا 1200 Dicom، این تصویر ها را نمیتوان به صورت مستقیم برای یادگیری ماشین استفاده کرد به همین دلیل CellProfiler برای استخراج ویژگی مورد استفاده قرار میگیرد. در مطالعه ی نشان داده شده ، Cp-Charm برای بررسی تصویر های MRI مورد استفاده قرار میگیرد و صحت این مدل مطابق با 80 تا 85% از 25 مجموعه داده و 97% با ادغام تصویر های MRI مورد استفاده قرار میگیرد. باید به این نکته اشاره کرد که تا کنون پیش بینی برای بیماری های قلبی وجود نداشته است. این روش با استفاده از زبان برنامه نویسی پیتون انجام شده است که به صورت سراسری در دسترس میباشد. |
| بخشی از مقاله انگلیسی |
|
Abstract Heart diseases are one of the major killers worldwide. Early detection of heart disease such as Global Hypokinesia can reduce this global burden. Computational method has potential to predict disease in early stages automatically and especially helpful in resources limited countries. Computational method to predict global hypokinesia based on confirms cases of global hypokinesia through MRI was developed. Almost all feature extraction method was used on MRI images and model was generated on merged and different images separately. High accuracy of model independent test set justified our approaches and reliability of model. The newly developed was implemented in python and available for open use. |
|
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
|
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
| عنوان فارسی مقاله: |
رده بندی و توسعه ابزار برای بیماری های قلبی (تصاویر MRI) با استفاده از یادگیری ماشین |
| عنوان انگلیسی مقاله: |
Classification and development of tool for heart diseases (MRI images) using machine learning |
|
|
|