مقاله ترجمه شده طبقه بندی توده بافت نرمال سینه

۲۵۰۰۰ تومان

عنوان انگلیسی مقاله:
Classification of Mass and Normal Breast Tissue  
A Convolution Neural Network Classifier  with Spatial Domain and Texture Images
**********
عنوان فارسی مقاله: 
طبقه بندی توده و بافت نرمال سینه یک کلاسیفایر شبکه عصبی کانولوشن با حوزه مکانی و تصاویر بافت
**********

تعداد صفحه مقاله اصلی (انگلیسی) : ۶۵ صفحه

تعداد صفحه مقاله ترجمه شده (فارسی) : ۶۵ صفحه

وضعیت ویرایش : کاملاً متن باز و قابل ویرایش

**********

توضیحات بیشتر در پایین صفحه

توضیحات

مقاله ترجمه شده طبقه بندی توده بافت نرمال سینه

طبقه بندی توده  و بافت نرمال سینه

یک کلاسیفایر شبکه عصبی کانولوشن با حوزه مکانی و تصاویر بافت

چکیده:

ما طبقه بندی ناحیه های مطلوب (ROI) در ماموگرام ها را یا بصورت توده یا بصورت. بافت نرمال با استفاده از یک شبکه عصبی کانولوشن (CNN) بررسی می کنیم. CNN ، یک شبکه عصبی پس انتشار با کرنل های وزن دو بعدی است. که بر روی تصاویر عمل می کند. اجرای سریع، پایدار و تعمیم یافته CNN توسعه داده می شود. تصاویر ورودی به CNN از ROI با استفاده از دو تکنیک. بدست می آید. تکنیک اول، میانگین گیری و زیرنمونه گیری را انجام می دهد. تکنیک دوم، روش های استخراج ویژگی بافت را برای ناحیه کوچکی. در داخل ROI بکار می برد. ویژگی های محاسبه شده در نواحی مختلف به عنوان تصاویر بافت قرار می گیرند که به طور متوالی. به عنوان ورودی های CNN استفاده می شوند.

طبقه بندی توده بافت نرمال سینه

اثرات ساختار و پارامترهای ویژگی بافت CNN بر دقت طبقه بندی بررسی می شود.. روش منحنی مشخصه عملکرد (ROC) برای ارزیابی دقت طبقه بندی استفاده می شود. یک مجموعه داده شامل ۱۶۸ ROI که دارای توده های تایید شده هستند. و ۵۰۴ ROIکه دارای بافت نرمال سینه هستند، توسط رادیولوژیست باتجربه در ماموگرافی از ۱۶۸ ماموگرام استخراج می شود. .این مجموعه داده برای آموزش و تست CNN استفاده می شود. با ترکیب بهتر ساختار و پارامترهای ویژگی بافت CNN ، حوزه زیر تست منحنی ROC به ۰٫۸۷ می رسد. که متناظر با یک بخش مثبت واقعی ۹۰% در یک بخش مثبت کاذب ۳۱% می باشد. نتایج ما، امکان. استفاده از CNN را برای طبقه بندی توده ها و بافت نرمال در ماموگرام ها نشان می دهد.

طبقه بندی توده بافت نرمال سینه

مقدمه

سرطان سینه رایج ترین سرطان درمیان زنان است. و علت اصلی مرگ و میر ناشی از سرطان در میان زنان ۱۵ تا ۵۴ سال است.. ماموگرافی موثرترین روش برای تشخیص زودرس سرطان سینه است. با این وجود، با نگاهی به گذشته آشکار می شود. که تعداد زیادی از ضایعاتی که در ماموگرام قابل مشاهده هستند توسط رادیولوژیست ها از قلم می افتند که می تواند علل مختلفی داشته باشد،. از قبیل: کیفیت پایین تصویر ماموگرافی، ظاهر خوش خیم ضایعات، و خستگی چشم یا غفلت توسط رادیولوژیست ها. طرح تشخیص به .کمک کامپیوتر(CAD) می تواند مطابقت نظر فرد صلاحیت دار دیگر را با نظر رادیولوژیست .فراهم کند که ممکن است تشخیص های منفی کاذب را کاهش دهد. .علاوه براین، CAD می تواند در تفکیک ضایعات بدخیم از خوش خیم نیز مفید باشد، بنابراین تعداد موارد خوش خیمی که برای بیوپسی فرستاده می شوند را کاهش می دهد.

میکروکلسیفیکیشن ها و توده ها دو علامت مهم تر بدخیمی در ماموگرام هستند. .کارهای قبلی در مورد میکروکلسیفیکیشن ها نشان می دهند که CAD می تواند به طور چشمگیری دقت رادیولوژیست ها را در تشخیص میکروکلسیفیکیشن های .خوشه ای بهبود دهد. از آنجایی که توده ها می توانند ناشناخته باشند یا توسط پارانشیمال نرمال سینه شبیه سازی شوند، تشخیص توده ها .مشکل ترین کار هم برای مشاهدات انسانی و هم کامپیوترها می باشد. در این مقاله با استفاده از یک شبکه عصبی کانولوشن (CNN) دستاوردمان .را از یک روش کامپیوتری شده برای طبقه بندی نواحی مورد علاقه (ROI) یا به. عنوان توده ها یا به عنوان بافت نرمال در ماموگرام ها ارائه می دهیم.

طبقه بندی توده بافت نرمال سینه

در سال های قبل، چندین محقق مساله تشخیص و طبقه بندی توده ها را در ماموگرافی بررسی کرده اند. .در سال ۱۹۸۹، لای و دستیارانش از تکنیک های بهبود تصویر و تطبیق الگو برای تشخیص توده های محیطی استفاده کردند. .این تکنیک ها قادرند تمامی توده ها را در ۱۷ ماموگرام با میانگین ۱٫۷ مثبت کاذب در هر ماموگرام تشخیص دهند. محدودیت روش آن ها در این است .که تنها برای توده های محیطی بکار برده می شود. در سال ۱۹۹۰، برازکوویس و دستیارانش از یک الگوریتم اتصال هرمی فازی برای جداکردن. و تشخیص ROI ها در ماموگرام های درشت رقمی شده (۲۵۶*۲۵۶ پیکسل) استفاده کردند و یک کلاسیفایر برای تمایز توده های خوش خیم و بدخیم و. غیرتومورها براساس ویژگی های ریخت شناسی موارد جداشده، بوجود آوردند.

طبقه بندی توده بافت نرمال سینه

اخیرا، یین و دستیارانش از یک تکنیک تفریق دوطرفه غیرخطی استفاده کردند .تا عدم تقارن های بین تصاویر سینه سمت چپ و راست را تشخیص دهند، .در جایی که عدم تقارن تشخیص داده شود امکان بودن توده وجود دارد. .با استفاده از ۴۶ جفت ماموگرام، آن ها بدرستی ۹۵% توده ها را با سه مثبت کاذب در هر تصویر تشخیص دادند. در سال ۱۹۹۴، کگلمیر و دستیارانش .از خصوصیات لبه محلی و ویژگی های بافت برای تشخیص توده های خاردار استفاده کردند. چن و دستیارانش و ویی و دستیارانش، با استفاده از. ویژگی های بافت و تحلیل تفکیک خطی یک کلاسیفایر ایجاد کردند تا توده ها و بافت نرمال را .در ماموگرام ها طبقه بندی کنند، که رویکرد آن ها با همین. مجموعه ROI موجود در این مقاله تست می شود. …

 

برای دانلود رایگان فایل اصلی مقاله به زبان انگلیسی روی متن زیر کلیک کنید

دانلود رایگان فایل اصلی مقاله طبقه بندی توده بافت نرمال سینه

Abstract

The authors investigated the classification of regions of interest (ROI’s) on. mammograms as either mass or normal tissue using a convolution neural network (CNN). A CNN is a backpropagation neural network with two-dimensional. (2-D) weight kernels that operate on images. A generalized, fast and stable implementation of the CNN was developed. The input images to the CNN .were obtained from the ROI’s using two techniques.

طبقه بندی توده بافت نرمال سینه

The first technique employed averaging and subsampling. The second technique. employed texture feature extraction methods applied to small subregions inside the ROI. Features computed over different subregions were. arranged as texture images, which were subsequently used as CNN inputs. The effects of CNN architecture and texture feature parameters on .classification accuracy were studied. Receiver operating characteristic (ROC) methodology was used to evaluate the classification accuracy.

طبقه بندی توده بافت نرمال سینه

A data set consisting of 168 ROIs containing biopsy-proven masses and 504 ROI’s. containing normal breast tissue was extracted from 168 mammograms by radiologists experienced in mammography. This data set was. used for training and testing the CNN.

With the best combination of CNN architecture and texture feature parameters,. the area under the test ROC curve reached 0.87,. which corresponded to a true-positive fraction of 90% at a false positive fraction of 31%. The authors’. results demonstrate the feasibility of using a CNN for classification of masses and normal tissue on mammograms

طبقه بندی توده بافت نرمال سینه

دیدگاهها

  1. محمد علیزاده

    سلام من مقاله رودانلود کردم وبا سلیقه استادم مطابقت دادم فوقالعاده بود مرسی.

    • اللهیار آریان فر

      درود
      از این بابت خوشحالیم
      موفق باشید

دیدگاه خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *