مقاله ترجمه شده درباره تشخیص سرطان پستان در ماموگرام های دیجیتال – سال 2015
مشخصات مقاله:
عنوان فارسی مقاله:
تشخیص سرطان پستان در ماموگرام های دیجیتال
عنوان انگلیسی مقاله:
Breast Cancer Detection in Digital Mammograms
کلمات کلیدی مقاله:
پوشش غیرشارپ، فیلتر میانی، میانگین های C فازی، تبدیل موجک گسسته
مناسب برای رشته های دانشگاهی زیر:
پزشکی
مناسب برای گرایش های دانشگاهی زیر:
ایمنی شناسی پزشکی و تکنولوژی پرتوشناسی
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
I.مقدمه
II. الگوریتم پیشنهادی
III. نتایج آزمایشگاهی و بحث
IV. نتیجه گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
I. INTRODUCTION
Mammography has been considered as the most important technique to investigate the breast cancer. It can be used to detect the disease in the early stage when recovery is possible. Aim of Computer Aided Diagnosis system (CAD) is to read the mammograms, locate the suspicious regions of abnormalities and analyze its characteristics. Performance and reliability of CAD depends on accurate segmentation of the lesions and appropriate feature selection. Global segmentation of the lesions is the most challenging task due to the artifacts and healthy tissues present in the mammograms [1]. Various algorithms have been developed in literature for early detection of the breast cancer in mammograms. Kegelmeyer et al. presented laws textural feature and binary decision tree classifier to classify between lesions and normal tissues [2]. Campanini et al. presented an SVM classifier for mass detection in digital mammograms [3]. Sahiner et al. used four gray-level difference statistics (GLDS) texture features and convolution neural network for mass detection [4]
1- مقدمه
ماموگرافی به عنوان مهم ترین تکنیک برای بررسی سرطان پستان در نظر گرفته می شود. آن می تواند برای تشخیص بیماری در مراحل اولیه، یعنی زمانی که بهبود ممکن است، مورد استفاده قرار بگیرد. کار سیستم کمک تشخیصی کامپیوتری (CAD) خواندن ماموگرام ها، تعیین نواحی مشکوک ناهنجاری ها و آنالیز مشخصه های آن می باشد. کارایی و اعتبار CAD بستگی به کلاسه بندی دقیق آسیب ها و انتخاب ویژگی مناسب دارد. کلاسه بندی جهانی آسیب ها چالش برانگیزترین وظیفه می باشد که به دلیل آرتیفکت ها و بافت های سالم حاضر در ماموگرام ها می باشد. الگوریتم های مختلفی در متون، برای تشخیص اولیه ی سرطان پستان در ماموگرام ها ایجاد شده اند. کگلمیر و همکارانش اصول ویژگی بافتی و طبقه بندی کننده ی دودویی درخت تصمیم گیری را برای طبقه بندی بین آسیب ها و بافت های نرمال ارائه کردند. کامپنینی و همکارانش، یک طبقه¬بندی کننده ی SVM را برای تشخیص توده در ماموگرام های دیجیتال ارائه کرده اند. سهینر و همکارانش از آمار تفاضل 4 سطح خاکستری (GLDS) ویژگی های بافتی و شبکه ی عصبی پیچیده برای تشخیص توده استفاده کردند.
