طراحی یک سیستم CAD برای شناسایی و طبقه بندی تومورهای سرطان سینه در تصاویر DCE-MR بر اساس شبکه های عصبی کانولوشن سلسله مراتبی
Publish Year: 1394
نوع سند: مقاله ژورنالی
زبان: Persian
View: 253
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ISEE-6-1_001
تاریخ نمایه سازی: 6 دی 1400
Abstract:
در این مقاله، یک سیستم CAD بر اساس شبکه های عصبی کانولوشن سلسله مراتبی با ساختاری جدید، جهت ایجاد تمایز بین تومورهای خوش خیم و بدخیم در تصاویر MR سینه پیشنهاد شده است. شبکه ی عصبی کانولوشن، یک شبکه ی سلسله مراتبی عصبی است که بر روی تصاویر دو بعدی اعمال می شود و فرآیندهای استخراج ویژگی و طبقه بندی را در یک ساختار واحد و کاملا تطبیقی، ادغام می کند. این ساختار می تواند ویژگی های دو بعدی کلیدی را به صورت خودکار استخراج نموده و نسبت به اعوجاجات هندسی و محلی در تصاویر ورودی مقاوم است. در ادامه، نتایج پیاده سازی فرآیندهای یادگیری و آزمایش HCNN بر اساس روش های بهینه سازی گرادیان نزولی و پس انتشار عدول شونده مورد ارزیابی قرار گرفته و نشان داده شده است که HCNN پیشنهادی با رویکرد یادگیری پس انتشار عدول شونده، یک ساختار عصبی سلسله مراتبی کارآمد و مقاوم را جهت طراحی یک سیستم CAD پایه در تصاویر MR سینه ارائه می کند بطوریکه از آن می توان بطور بالقوه، بعنوان یک مکانیسم برای ارزیابی انواع ناهنجاری ها در تصاویر پزشکی استفاده نمود.
Keywords:
سرطان سینه , تصویربرداری رزونانس مغناطیسی با کنتراست بهبودیافته , سیستم های تشخیص به کمک کامپیوتر , شبکه های عصبی کانولوشن سلسله مراتبی
Authors
رضا راستی بروجنی
کارشناس ارشد مهندسی پزشکی- بیوالکتریک، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی خواجه نصیر
محمد تشنه لب
- استاد گروه کنترل، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی خواجه نصیر الدین طوسی، تهران، ایران
رضا جعفری
- استادیار گروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی خواجه نصیر الدین طوسی، تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :