تشخیص سرطان سینه با استفاده از تصاویر ماموگرافی با روش dag-svm در پایگاه داده mias
Publish place: The first national conference on technology and knowledge management focusing on resistance economics
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,458
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:
شناسه ملی سند علمی:
KMTTORBAT01_034
تاریخ نمایه سازی: 16 خرداد 1394
Abstract:
تراکم ماموگرافی به عنوان یک شاخص مهم ریسک سرطان سینه شناخته می شود. تقریب تخمین های کمی بر اساس اطلاعات هیستوگرام، قبل تر مورد بررسی قرار گرفته است.با این حال ادعاهایی در مورد اینکه سطح خاکستری ممکن است برای ایجاد تمایز بین کلاس های پیچیده ی تراکم کافی نباشد ایجاد شده است.تکنیک هیستوگرام چند کیفیتی به عنوان یک تقریب آنالیزبافتی رشد پیدا کرده است. در این پژوهش تکنیک ارائه شده را روی 322 عکس ماموگرافی از دیتابیس MIAS (انجمن آنالیز عکس ماموگرافیک) ارزیابی کردیم و آنها را بر اساس سه کلاس دسته بندی موجود(چربی، غده ای ،متراکم) طبقه بندی نمودیم، هدف اصلی تولید نمودن یک ویژگی فضایی که بتواند برای متمایز کردن کلاس های مختلف تراکم ماموگرافی استفاده شود. همچنین ساخت یک هرم گوسی پنج سطحی از نواحی سینه و محاسبه هیستوگرام و نرمالیزه کردن آن و هیستوگرام تجمعی را مورد بررسی قرار دادیم.استفاده از یک دسته بندی کننده ی DAG- SVM در پایگاه داده MIAS نتایج یک تطابق 76.41% را برای تشخیص چربی بودن داده ها و50.96% را برای تشخیص غده ای بودن داده ها و 64.75% را برای تشخیص متراکم بودن داده ها بین حالت اتوماتیک و طبقه بندی دستی توسط رادیولوژیست خبره را نشان می دهد.
Keywords:
Authors
محمد سلیمی
دانشجوی کارشناسی ارشد، مهندسی نرم افزار کامپیوتر،دانشکده مهندسی - دانشگاه آزاد اسلامی واحد زاهدان
ملیحه حسینی
دانشجوی کارشناسی ارشد، مهندسی برق-الکترونیک، دانشکده مهندسی - دانشگاه بیرجند
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 :