دانلود مقاله مهندسی کامپیوتر با ترجمه تخصصی فارسی با موضوع ردیابی توده ها در ماموگرامها ؛ با انطباق بر چگالی سینه با استفاده از الگوریتم ژنتیک، درختهای فیلوژنتیک،LBP و SVM
عنوان انگلیسی مقاله:
عنوان فارسی مقاله:
ردیابی توده ها در ماموگرامها ؛ با انطباق بر چگالی سینه با استفاده از الگوریتم ژنتیک، درختهای فیلوژنتیک،LBP و SVM
چکیده مقاله به انگلیسی:
Breast cancer is the second
commonest type of cancer in the world, and the commonest among women,
corresponding to 22% of the new cases every year. This work presents a new
computational methodology, which helps the specialists in the detection of
breast masses based on the breast density. The proposed methodology is divided
into stages with the objective of overcoming several difficulties associated
with the detection of masses. In many of these stages, we brought contributions
to the areas. The first stage is intended to detect the type of density of the
breast, which can be either dense or non-dense. We proposed an adaptive
algorithm capable of analyzing and image and telling if it is dense or
non-dense. The first stage consists in the segmentation of the regions that
look like masses. We propose a novel use of the micro-genetic algorithm to
create a texture proximity mask and select the regions suspect of containing
lesions. The next stage is the reduction of false positives, which were
generated in the previous stage. To this end, we proposed two new approaches.
The first reduction of false positives used DBSCAN and a proximity ranking of
the textures extracted from the ROIs. In the second reduction of false
positives, the resulting regions have their textures analyzed by the
combination of Phylogenetic Trees, Local Binary Patterns and Support Vector
Machines (SVM). A micro-genetic algorithm was used to choose the suspect
regions that generate the best training models and maximize the classification
of masses and non-masses used in the SVM. The best result produced a sensitivity
of 92.99%, a rate of 0.15 false positives per image and an area under the FROC
curve of 0.96 in the analysis of the non-dense breasts; and a sensitivity of
83.70%, a rate of 0.19 false positives per image and an area under the FROC
curve of 0.85, in the analysis of the dense breasts.
ترجمه رایگان چکیده مقاله:
سرطان سینه دومین نوع سرطان رایج در جهان است؛ و نیز رایج ترین سرطان در میان زنان میباشد که نرخ آن برابر با با نرخ ۲۲% مورد جدید در سال میباشد. این کار، یک روش شناسی جدید محاسباتی را ارائه میدهد؛ که به متخصصان، درشناسایی توده های جرمی بر اساس چگالی سینه کمک کند. روش ارائه شده به مراحلی تقسیم میشود که هدف آن غلبه بر مشکلات مربوط به ردیابی توده ها است. هدف از مرحله اول ردیابی، نوع چگالی سینه است، که میتواند چگال یا غیر چگال باشد. ما یک الگوریتم انطباقی را پیشنهاد دادیم که قادر به انالیز و تصویر برداری و بیان اینکه سینه چگال یا غیر چگال است، میباشد. مرحله اول متشکل از بخش بندی نواحی‌ای است که مثل توده به نظر می آیند. ما یک استفاده جدید از الگوریتم میکرو ژنتیک را ارائه دادیم تا یک ماسک تقریبی بافت را بسازیم که بتواند نواحی ای که مشکوک به وجود زخم است را انتخاب کند. مرحله بعدی کاهش مثبتهای کاذب است؛ که در مرحله قبلی تولید شده اند. در انتها؛ ما دو رویکرد جدید را ارائه نمودیم. در اولین رویکرد، کاهش مثبتهای کاذب DBSCAN استفاده شده و رتبه بندی تقریبی بافتهای گرفته شده از ROIs.ها انجام میشود. در کاهش دومِ مثبتهای کاذب، نواحی حاصله بافت خود را دارند ؛ که با ترکیب درختهای فیلوژنتیک، الگوهای دوتایی موضعی و ماشینهای بردار پشتیبان (SVM). انالیز شده اند. الگوریتمهای میکروژنتیک برای انتخاب نواحی مشکوک مدلهای اموزشی را تولید میکنند و دسته بندی توده ها و غیر توده ها ی استفاده شده در SVM. را حداکثر میکنند. بهترین نتیجه در آنالیز سینه های غیر چگال؛ حساسیت ۹۲٫۹۹% ؛ نرخ مثبت کاذب ۰٫۱۵ در هر تصویر و ناحیه زیر منحنی FROC برابر با ۰٫۹۶ ، و در آنالیز سینه چگال، حساسیت ۸۳٫۷۰% % نرخ مثبت کاذب ۰٫۱۹ در هر تصویر و ناحیه زیر منحنی FROC برابر با ۰٫۸۵، را تولید میکند.
"خرید ترجمه کامل مقاله از فروشگاه آمارد ترجمه"
Link: https://amardtarjome.com/news/دانلود-مقاله-مهندسی-کامپیوتر-با-ترجمه-تخصصی-فارسی-با-موضوع--ردیابی-توده-ها-در-ماموگرامها-؛-با-انطباق-بر-چگالی-سینه-با-استفاده-از-الگوریتم-ژنتیک،-درختهای-فیلوژنتیک،LBP-و-SVM10.html
