چطور این مقاله مهندسی برق را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2008479 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 :
409 Kb
حجم فایل فارسی :
170 کیلو بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
روش هایی برای تشخیص اتوماتیک و طبقه بندی توده ها در ماموگرام ها
عنوان انگليسي
Approaches For Automated Detection And Classification Of Masses In Mammograms
نویسنده/ناشر/نام مجله
International Journal Of Engineering And Computer Science
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی برق شامل 5 صفحه انگلیسی به صورت پی دی اف و 13 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
سرطان پستان یکی از شایعترین سرطان های زنان در سراسر جهان است. روش های مختلفی برای تشخیص سرطان پستان وجود دارد. ماموگرافی یکی از مؤثرترین ابزار برای تشخیص زودهنگام این بیماری است. هدف این پژوهش، افزایش دقت تشخیصی پردازش تصویر و تکنیک های یادگیری ماشین برای بهینه سازی طبقه بندی نمونه در یکی از دو گروه عادی و غیرعادی در ماموگرافی های دیجیتال است. استخراج ویژگیهای بافت GLCMبه عنوان رایجترین و قدرتمندترین تکنیک تحلیل بافت شناخته شده است. این مقاله به ارزیابی و مقایسه عملکرد دو روش طبقه بندی متفاوت مورد استفاده در طبقه بندی الگوهای طبیعی و غیرطبیعی میپردازد. نتایج تجربی از برتری شبکه عصبی مصنوعی نسبت به سایر روشها حکایت دارد.
1- مقدمه
سرطان پستان یک مشکل بهداشتی عمومی است. پستانها در موقعیت چپ و راست قرار دارند. سرطان پستان به دو نوع طبیعی و غیرطبیعی تقسیم میشود. معمولا در الگوی طبیعی سطح پستان صاف و در الگوی غیرطبیعی زبر و پیچیده است. موارد غیر طبیعی به دو دسته تقسیم میشوند: توده و کلسیفیکاسیون پستانی. توده ها به واسطه مشخصات و شکل خود مشخص میشوند. کلسیفیکاسیون به معنی توده های کوچک رسوبی کلسیمی در بافت سینه است که به صورت گروهی از نقاط روشن در ماموگرام ظاهر میشود....
تشخیص سرطان پستان ماموگرافی
:کلمات کلیدی
Abstract
Breast cancer is one of the most common cancer among women around the world. Several techniques are available for detection of breast cancer. Mammography is one of the most effective tools for early detection. The goal of this research is to increase the diagnostic accuracy of image processing and machine learning techniques for optimum classification between normal and abnormalities in digital mammograms. GLCM texture feature extractions are known to be the most common and powerful techniques for texture analysis. This paper presents an evaluation and comparison of the performance of two different classification methods used to classify the normal and abnormal patterns. The experimental result suggest that Artificial Neural Network is outperformed the other method.
Keywords:
Mammograms
سایر منابع مهندسی برق در زمینه سرطان پستان