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 - مرکز ترجمه تخصصی آمارد
شنبه ۱۰ خرداد ۹۹
new translation order

amrdtarjome telegram channel

amrdtarjome telegram support
محاسبه فوری هزینه ترجمه
شما میتوانید با انتخاب زمینه و زبان ترجمه و وارد نمودن تعداد کلمات متنی که باید ترجمه شود، هزینه و زمان تحویل ترجمه را بدست بیاورید.
زمینه: زبان: تعداد کلمه:

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


 از مجموعه مقالات فروشگاه آمارد ترجمه


عنوان انگلیسی مقاله:

   Detection of masses in mammograms with adaption to breast density
using genetic algorithm, phylogenetic trees, LBP and SVM
Visual Learning in Multiple-Object Tracking

عنوان فارسی مقاله:

ردیابی توده ها در ماموگرامها ؛ با انطباق بر  چگالی سینه با استفاده از الگوریتم ژنتیک، درختهای  فیلوژنتیک،LBP  و SVM

 

"دانلود رایگان مقاله انگلیسی"


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

دیدگاه کاربران

ارسال دیدگاه

نام و نام خانوادگی :
دیدگاه شما :
کد امنیتی : کدی که در تصویر میبینید را وارد نمایید
* آمارد ترجمه هیچگونه مسئولیتی نسبت به دیدگاه های کاربران ندارد.