Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

یک روش یادگیری عمیق ترکیبی به منظور تخمین سن بیولوژیکی مغز برای کمک به تشخیص بیماری با استفاده از تصاویر MRI

یازدهمین کنفرانس ملی و اولین کنفرانس بین‌المللی بینایی ماشین و پردازش تصویر ایران
سال انتشار: 1398
کد COI مقاله: ICMVIP11_037
زبان مقاله: فارسیمشاهده این مقاله: 934
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 یک روش یادگیری عمیق ترکیبی به منظور تخمین سن بیولوژیکی مغز برای کمک به تشخیص بیماری با استفاده از تصاویر MRI

زهرا جهانشیری - دانشکده برق و کامپیوتر، دانشگاه تربیت مدرس ، تهران
محمد صنیعی آباد ه - دانشکده برق و کامپیوتر، دانشگاه تربیت مدرس ، تهران

چکیده مقاله:

سن بیولوژیکی مغز از روی تصاویر MRI قابل محاسبه است. امروزه پزشکان دریافته اند که این اطلاعات در تشخیص و درمان بسیاری از بیماری ها مفید است. برای تخمین سن بیولوژیکی مغز در این مقاله ابتدا یک شبکه یادگیری عمیق از نوع DCNN3 بر روی تصاویر MRI مغزی2001 فرد سالم از مجموعه داده ی BANC پیاده سازی می شود . در ادامه از این شبکه ی سه بعدی به عنوان یک بلاک آماده (شبکه از قبل آموزش دیده) برای استخراج ویژگی استفاده شده است. در راستای تخمین سن مغز، ویژگی های لایه ی آخر این شبکه به سه روش یادگیری ماشین برای رگرسیون یعنی GPR و RVR ،SVR داده می شود. در اینجا خروجی هر روش یک عدد است که بیانگر سن بیولوژیکی تخمینی مغز توسط آن روش است. نتایج حاصل به صورت مستقل با هریک از روش های یاد شده مقایسه می گردد و نتایج مقایسات بیانگر آن است که ویژگی های استخراج شده توسط یک شبکه ی 3DCNN باعث بهبود در نتایج خروجی نهایی نسبت به نتایج گزارش شده در مقالات مشابه شده است. علاوه بر این به عنوان یک روش ادغام نتایج حاصل از روش های رگرسیون متفاوت، تمامی خروجی ها اعم از شبکه DCNN3 با یک نورون در لایه آخر GPR و RVR ،SVR به یک شبکه عصبی جدید با یک تک نورو ن از نوع پرسپترون خطی داده شد ه و جمع وز نداری از سن های تخمینی توسط این روش ها در جهت کاهش خطا به عنوان سن مغز ارائه می شود.

کلیدواژه ها:

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا ICMVIP11_037 میباشد و 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/1045176/

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:
جهانشیری، زهرا و صنیعی آباد ه، محمد،1398،یک روش یادگیری عمیق ترکیبی به منظور تخمین سن بیولوژیکی مغز برای کمک به تشخیص بیماری با استفاده از تصاویر MRI،یازدهمین کنفرانس ملی و اولین کنفرانس بین‌المللی بینایی ماشین و پردازش تصویر ایران،قم،https://civilica.com/doc/1045176

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، جهانشیری، زهرا؛ محمد صنیعی آباد ه)
برای بار دوم به بعد: (1398، جهانشیری؛ صنیعی آباد ه)
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
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

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: 34,196
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

طرح های پژوهشی 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