استخراج ویژگی از تصاویر ماموگرافی با استفاده از آنالیز بافت فراکتال بر اساس بخش‌بندی

Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,770

This Paper With 7 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:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

NCNIEE02_155

تاریخ نمایه سازی: 29 بهمن 1392

Abstract:

در زنان 15 تا 54 ساله، سرطان سینه یکی از مهم ترین عوامل مرگ است. اگرچه ماموگرافی یکی از کار آمدترین روشهای تشخیص بیماری اخیر می باشد، اما هنوز دارای نواقص و محدودیتهایی می باشد. اخیراً سیستم های تشخیص به کمک کامپیوترCADx) معرفی شده اند تابا برچسب زنی و کلاسه بندی نواحی مشکوک مثلاً کلاسه بندی بر اساس استاندارد BI-RADS بتوانند در تشخیص نوع بیماری به رادیولوژیست کمک کنند. یکی از اساسی ترین مراحل در سیستم های CADxاستخراج ویژگی می باشد که در این مقاله روش آنالیز بافت فراکتال بر اساس بخش بندی پیشنهاد شده است. اعمال روش پیشنهادی بر روی پایگاه داده INbreast نتایج چشمگیر دقت کلاس بندی حاصل از چهار کلاس بند متفاوت را نشان می دهد.

Keywords:

تشخیص سرطان کامپیوتری , استخراج ویژگی , آنالیز بافت فراکتال بر اساس بخشبندی , کلاسبندی

Authors

سعید عسگری طاقانکی

دانشگاه آزاد اسلامی واحد شهر مجلسی، اصفهان، ایران، گروه مهندسی برق و کامپیوتر

محسن عشوریان

دانشگاه آزاد اسلامی واحد شهر مجلسی، اصفهان، ایران، گروه مهندسی برق و کامپیوتر

بهزاد زمانی

دانشگاه علم وصنعت، تهران، ایران، گروه مهندسی برق و کامپیوتر

سیدعلی موسوی

دانشگاه آزاد اسلامی واحد نجف آباد، اضفهان، ایران، گروه مهندسی مکانیک

بهزاد بهرامی نژاد

دانشگاه آزاد اسلامی واحد شهر مجلسی، اصفهان، ایران، گروه مهندسی برق و کامپیوتر

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 :
  • World-He al th -Organization _ (2013). Cancer, WHO, Available: ...
  • http ://www.who _ int/mediac entre/fac tsheets/fs29 7/en ...
  • B. Verma and . Zhang, "A novel neural-genetic algorithm to ...
  • R. Bird, T. Wallace, and B. Yankaskas, "Analysis of cancers ...
  • K. Kerlikowske, P. A. Carney, B. Geller, M. T. Mandelson, ...
  • M. L. Giger, _ C omputer-aided diagnosis in radiology, " ...
  • M. L. Giger, N. Karssemeijer, and S. G. A. III, ...
  • M. L. Giger, _ _ omputer-aided diagnosis of breast lesions ...
  • K. Doi, H. MacMahon, S. Katsuragawa, R. M. Nishikawa, and ...
  • C. J. Vyborny, M. L. Giger, and R. M. Nishikawa, ...
  • R. L. Birdwell, "The Preponderance of evidence supports computer-aided detection ...
  • J. Tang, R. M. Rangayyan, J. Xu, I. El Naqa, ...
  • L. M. Bruce and R R. Adhami, "Classifying mammographic mass ...
  • Y. Yuan, M. L. Giger, H. Li, and C. Sennett, ...
  • R. M. Rangayyan, D. Guliato, J. D. de Carvalho, and ...
  • N. Petrick, H.-P. Chan, B. Sahiner, and M. A. Helvie, ...
  • A. F. Costa, G. Hump ire-Mamani, and A. J. M. ...
  • P.-S. Liao, T.-S. Chen, and P.-C. Chung, "A fast algorithm ...
  • I. C. Moreira, I. Amaral, I. Domingues, A. Cardoso, M. ...
  • mammographic database, " Academic Radiology, vol. 19, pp. 236-248, 2012. ...
  • J. Bozek, M. Mustra, K. Delac, and M. Grgic, "A ...
  • Commun ications, ed: Springer, 2009, pp. 631-657. ...
  • I. H. Witten, E. Frank, and M. A. Hall, Data ...
  • K. Bovis and S. Singh, _ C lassification of mammographic ...
  • Understanding and Analysis (MIUA) Conference, Portsmouth, 2002. ...
  • N. H. Eltonsy, G. D. Tourassi, and A. S. Elmaghraby, ...
  • M. Elter and E. Halmeyer, "A knowledge -based approach to ...
  • A. Oliver, X. Llado, J. Freixenet, R. Marti, E. Perez, ...
  • B. Verma, P. McLeod, and A. Klevansky, "Classification of benign ...
  • نمایش کامل مراجع