چطور این مقاله مهندسی برق را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2008454 رایگان است. ترجمه چکیده این مقاله مهندسی برق در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل انگلیسی :
763 Kb
حجم فایل فارسی :
407 کیلو بایت
نوع فایل های ضمیمه :
pdf+word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
تکنیک پردازش تصویر و یادگیری ماشین، برای ارزیابیِ احتمالاتی و تمام خودکارِ تصاویر پزشکی
عنوان انگليسي
Image processing and machine learning for fully automated probabilistic evaluation of medical images
نویسنده/ناشر/نام مجله
Computer methods and programs in biomedicine
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی برق شامل 12 صفحه انگلیسی به صورت پی دی اف و 25 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
در این مقاله، قصد داریم نتایجِ به دست آمده از مطالعهی بلند مدتی که با استفاده از روشهای پردازش تصویر و دادهکاوی بر روی تصویر برداری پزشکی انجام دادهایم را ارائه دهیم. با توجه به اینکه تکامل تصاویر پزشکی مدرن به طور فزایندهای پیچیده گردیده است، از ابزارهای تحلیلی پیشرفته و ابزارهای پشتیبانی از تصمیم، در ادغامِ نتایج جزئئ تشخیص استفاده گردیده است. یک چنین نتایجی که جزئی بوده و کامل نیستند، به وسیلهی آزمایشهای مکرری که نقص قابل ملاحظه ای دارند به دست آمده و از این رو به منظور تصمیم گیری در خصوص احتمال وجود یک بیماری در یک بیمار خاص، این نتایج با هم ادغام شده تا به نتیجهگیری نهایی دست پیدا کنیم. در این مقاله، مسائل مختلفی را که عملکرد قابل ملاحظه ای در حوزهی پزشکی دارند، مورد مطالعه قرار میدهیم: بهبود قدرت پیشگویی آزمایشهای بالینی، با بکار گیری احتمالاتِ قبل و بعد از تست، نمایش بافت، استخراج ویژگیِ مالتی رزولوشن، ایجاد ویژگی و الگوریتمهای دادهکاوی. مطالعات بلند مدت ما، به سه مسئلهی قابل ملاحظه دست یافته است: اولین بهبودی، مربوط به افزایش قابل ملاحظه ی احتمالات تشخیص بیماری، در قبل از آزمایش از سوی پزشکان متخصص بود. دوم، بهبودیهای قابل ملاحظه ای در استفاده از پارامتری سازی تصاویر مالتی رزولوشن به دست آمده است. روشهای یادگیری ماشین، به همراه انتخاب زیر مجموعهی ویژگی بر روی این پارامترها نیز در سطح زیادی باعث افزایش کارائی تشخیص بیماری گردیده است. ساخت ویژگی به وسیله ی تحلیل مؤلفههای اساسی بر روی این ویژگیها، باعث ارتقای نتایج به یک سطح بالاتری از میزان صحت گردیده است. با روش پیشنهادی، بهبود قابل ملاحظه ای در نتایج بالینی در طی این مطالعه به دست آمده است. قابل ملاحظه ترین نتیجه ای که در این مطالعه بدست آمده است، بهبود قدرت تشخیص در فرآیند کلی تشخیص میباشد. روش ترکیبی ما میتواند به عنوان یک دستیار کمکی و نه یک جایگزین برای قضاوت پزشکان بکار گرفته شده و ممکن است به تصمیم گیری در آزمایشهای مقرون به صرفه کمک ساز باشد.
-1مقدمه
طب داخلی و به طور خاص علم پزشکی قلب و عروق، با آزمایشهای تصویربرداری تشخیصی فراوانی برای پزشکان میباشد به طوری که این آزمایشها به آنها کمک کرده تا مشکلات و ناهنجاریهای مختلف را تشخیص دهند. در تصویربرداری تشخیصی، از یک سری روش برای ایجاد تصاویری از ساختارها و تابع داخل بدن انسان استفاده میشود. انتخاب فناوری تصویری برداری، وابسته به نشانههایی بوده که بیماری از خود نشان داده و همچنین وابسته به بخشی از بدن که مورد معاینه قرار میگیردنیزمیباشد. اشعههای ایکس، اسکنهای توموگرافی کامپیوتری (CT)، اسکنهای پزشکی هستهای (شامل جرقه نگاری)، اسکنهای تصویربرداری تشدید مغناطیسی(MRI) و اسکنهای فراصوتی را میتوان انواع مختلفی از تصویربرداریهای تشخیصی به شمار آورد…
یادگیری ماشین بیماری عروق کرونر تشخیص پزشکی
:کلمات کلیدی
Abstract
The paper presents results of our long-term study on using image processing and data mining methods in a medical imaging. Since evaluation of modern medical images is becoming increasingly complex, advanced analytical and decision support tools are involved in integration of partial diagnostic results. Such partial results, frequently obtained from tests with substantial imperfections, are integrated into ultimate diagnostic conclusion about the probability of disease for a given patient. We study various topics such as improving the predictive power of clinical tests by utilizing pre-test and post-test probabilities, texture representation, multi-resolution feature extraction, feature construction and data mining algorithms that significantly outperform medical practice. Our long-term study reveals three significant milestones. The first improvement was achieved by significantly increasing post-test diagnostic probabilities with respect to expert physicians. The second, even more significant improvement utilizes multi-resolution image parametrization. Machine learning methods in conjunction with the feature subset selection on these parameters significantly improve diagnostic performance. However, further feature construction with the principle component analysis on these features elevates results to an even higher accuracy level that represents the third milestone. With the proposed approach clinical results are significantly improved throughout the study. The most significant result of our study is improvement in the diagnostic power of the whole diagnostic process. Our compound approach aids, but does not replace, the physician’s judgment and may assist in decisions on cost effectiveness
of tests.
Keywords:
Machine learning Coronary artery disease Medical diagnostics
سایر منابع مهندسی برق در زمینه تصویربرداری پزشکی