ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
Publisher of Iranian Journals and Conference Proceedings
Paper
Title

طبقه بندی بافت های تومور در تصاویر بافت شناسی سرطان استخوان با استفاده از PLS-LDA

Year: 1398
COI: ICMVIP11_023
Language: PersianView: 229
This Paper With 6 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 6 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

حمیدرضا نادمی - دانشجوی کارشناسی ارشد هوش مصنوعی دانشکده مهندسی کامپیوتر دانشگاه یزد،
زهرا اسماعیلی طاهری - دانشجوی کارشناسی ارشد هوش مصنوعی دانشکده مهندسی کامپیوتر دانشگاه یزد،
فهیمه رمضانخانی - دانشجوی کارشناسی ارشد هوش مصنوعی دانشکده مهندسی کامپیوتر دانشگاه یزد،
مهدی رضائیان - استادیار دانشکده مهندسی کامپیوتر دانشگاه یزد

Abstract:

یادگیری ماشین به عنوان یک شاخه ی علمی شناخته شده جهت بهبود دقت پیش بینی، کاربرد گسترده ای در طبقه بندی تصاویر پزشکی دارد. به طورکلی مساله طبقه بندی مبتنی بر یادگیری ماشین را میتوان در چهار بخشجمع آوری داده، استخراج ویژگی، آموزش و ارزیابی مدل نهایی بر روی داده ای آزمون در نظر گرفت. در بین این مراحل، استخراج ویژگی یک مرحله مهم وچالشی به حساب می آید. در این مقاله سه رویکرد مختلف برای استخراج ویژگی جهت طبقه بندی تصاویر بافت شناسی تومور استخوان بررسی شده است. در رویکرد اول یکسری ویژگی های آماری (ماتریس همرخداد سطوح خاکستری، الگوی دودویی محلی و اعمال این الگو روی تصاویر حاصل از لبه یاب کنی) از تصاویر استخراج شده است. در رویکرد دوم به منظور بهبود صحت طبقه بندی بدست آمده از رویکرد اول الگوریتم کاهش بعد LDA روی ترکیب بهترین ویژگی های آماری بدست آمده در رویکرد اول اعمال شده است. در رویکرد سوم که بهترین صحت در طبقه بندی را ایجاد کرد از ترکیب دو الگوریتم کاهش بعد PLS و LDA جهت استخراج ویژگی های مناسب استفاده شد و صحت 0/97 درصد در طبقه بندی مجموعه داده به دست آمد. رویکرد سوم به عنوان روش پیشنهادی PLS-LDA جهت حل مسئله طبقه بندی در شرایطی که تعداد کمی تصاویر پزشکی برچسب گذاری شده موجود باشد، نسبت به روش های مبتنی بر یادگیری عمیق که به حجم انبوهی از داده یبرچسب گذاری شده نیاز دارند انتخاب مناسب و کارایی می باشد.

Keywords:

طبقه بندی تصاویر تومور استخوان، استخراج ویژگی، کاهش بعد، تصاویر پزشکی

Paper COI Code

برای لینک دهی به این Paper می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت Paper در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1045162/

How To Citation:

در صورتی که می خواهید در اثر پژوهشی خود به این Paper ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
نادمی، حمیدرضا و اسماعیلی طاهری، زهرا و رمضانخانی، فهیمه و رضائیان، مهدی،1398،طبقه بندی بافت های تومور در تصاویر بافت شناسی سرطان استخوان با استفاده از PLS-LDA،یازدهمین کنفرانس ملی و اولین کنفرانس بین‌المللی بینایی ماشین و پردازش تصویر ایران،قم،،،https://civilica.com/doc/1045162

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این Paper اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1398، نادمی، حمیدرضا؛ زهرا اسماعیلی طاهری و فهیمه رمضانخانی و مهدی رضائیان)
برای بار دوم به بعد: (1398، نادمی؛ اسماعیلی طاهری و رمضانخانی و رضائیان)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

Research Info Management

Certificate | Report | من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی Paper

مشخصات مرکز تولید کننده این Paper به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 11,961
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

New Papers

Share this page

More information about COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

Support