ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

طبقه بندی بافت های تومور در تصاویر بافت شناسی سرطان استخوان با استفاده از PLS-LDA

سال انتشار: 1398
کد COI مقاله: ICMVIP11_023
زبان مقاله: فارسیمشاهد این مقاله: 169
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 6 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله طبقه بندی بافت های تومور در تصاویر بافت شناسی سرطان استخوان با استفاده از PLS-LDA

حمیدرضا نادمی - دانشجوی کارشناسی ارشد هوش مصنوعی دانشکده مهندسی کامپیوتر دانشگاه یزد،
زهرا اسماعیلی طاهری - دانشجوی کارشناسی ارشد هوش مصنوعی دانشکده مهندسی کامپیوتر دانشگاه یزد،
فهیمه رمضانخانی - دانشجوی کارشناسی ارشد هوش مصنوعی دانشکده مهندسی کامپیوتر دانشگاه یزد،
مهدی رضائیان - استادیار دانشکده مهندسی کامپیوتر دانشگاه یزد

چکیده مقاله:

یادگیری ماشین به عنوان یک شاخه ی علمی شناخته شده جهت بهبود دقت پیش بینی، کاربرد گسترده ای در طبقه بندی تصاویر پزشکی دارد. به طورکلی مساله طبقه بندی مبتنی بر یادگیری ماشین را میتوان در چهار بخشجمع آوری داده، استخراج ویژگی، آموزش و ارزیابی مدل نهایی بر روی داده ای آزمون در نظر گرفت. در بین این مراحل، استخراج ویژگی یک مرحله مهم وچالشی به حساب می آید. در این مقاله سه رویکرد مختلف برای استخراج ویژگی جهت طبقه بندی تصاویر بافت شناسی تومور استخوان بررسی شده است. در رویکرد اول یکسری ویژگی های آماری (ماتریس همرخداد سطوح خاکستری، الگوی دودویی محلی و اعمال این الگو روی تصاویر حاصل از لبه یاب کنی) از تصاویر استخراج شده است. در رویکرد دوم به منظور بهبود صحت طبقه بندی بدست آمده از رویکرد اول الگوریتم کاهش بعد LDA روی ترکیب بهترین ویژگی های آماری بدست آمده در رویکرد اول اعمال شده است. در رویکرد سوم که بهترین صحت در طبقه بندی را ایجاد کرد از ترکیب دو الگوریتم کاهش بعد PLS و LDA جهت استخراج ویژگی های مناسب استفاده شد و صحت 0/97 درصد در طبقه بندی مجموعه داده به دست آمد. رویکرد سوم به عنوان روش پیشنهادی PLS-LDA جهت حل مسئله طبقه بندی در شرایطی که تعداد کمی تصاویر پزشکی برچسب گذاری شده موجود باشد، نسبت به روش های مبتنی بر یادگیری عمیق که به حجم انبوهی از داده یبرچسب گذاری شده نیاز دارند انتخاب مناسب و کارایی می باشد.

کلیدواژه ها:

طبقه بندي تصاوير تومور استخوان، استخراج ويژگي، كاهش بعد، تصاوير پزشكي

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1045162/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
نادمی، حمیدرضا و اسماعیلی طاهری، زهرا و رمضانخانی، فهیمه و رضائیان، مهدی،1398،طبقه بندی بافت های تومور در تصاویر بافت شناسی سرطان استخوان با استفاده از PLS-LDA،یازدهمین کنفرانس ملی و اولین کنفرانس بین‌المللی بینایی ماشین و پردازش تصویر ایران،قم،،،https://civilica.com/doc/1045162

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1398، نادمی، حمیدرضا؛ زهرا اسماعیلی طاهری و فهیمه رمضانخانی و مهدی رضائیان)
برای بار دوم به بعد: (1398، نادمی؛ اسماعیلی طاهری و رمضانخانی و رضائیان)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 11,811
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی