تشخیص خودکار ندول های ریوی با استفاده از آنتروپی فازی-تیسالیس و ماشین بردار پشتیبان

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 412

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_TJEE-50-4_028

تاریخ نمایه سازی: 9 خرداد 1400

چکیده مقاله:

ندول های ریوی بافت اولیه سرطان ریه هستند. طراحی سیستم تشخیص به­کمک کامپیوتر می تواند جهت بالا بردن دقت متخصص در زمینه­ی تشخیص و توصیف این بافت به­کار رود. در سال­های اخیر پژوهش­هایی در این زمینه صورت گرفته با این حال سیستم های CAD کنونی با حساسیت کم دارای مثبت کاذب بالایی هستند. بنابراین هدف اصلی این پژوهش توسعه ی سیستم CAD ای است که قادر باشد مکان اکثر ندول ها را تا جایی که امکان دارد تشخیص دهد و در کنار این امر تعداد مثبت کاذب آن کم باشد. قطعه بندی تصویر ریه و تشخیص ندول گام­های اصلی این پژوهش هستند. در گام قطعه بندی، ترکیب روش­های آنتروپی فازی-تیسالیس و آستانه گذاری مورد استفاده قرار می­گیرند. در مرحله تشخیص ندول، ویژگی های شدت روشنایی و هندسی ندول استخراج می­شوند و نواحی مشکوک با کمک ماشین بردار پشتیبان مشخص می­گردد. استفاده از ویژگی­های شدت روشنایی باعث افزایش حساسیت می­شود درحالی­که به­کارگیری ویژگی­های هندسی باعث کاهش مثبت کاذب می­شود.  به منظور ارزیابی روش پیشنهادی، از تصاویر مجموعه داده­های LIDC و تابا استفاده شده است. حساسیت طبقه بندی حاصل ۹۲% به­دست­آمده است. نتایج به­دست­آمده در مقایسه با نتایج گزارش­شده توسط سایر مقاله­ها، مفید بودن این پژوهش را نشان می دهد.

نویسندگان

عاطفه قنبری

گروه مهندسی کامپیوتر - پردیس فنی و مهندسی - دانشگاه یزد

علی محمد لطیف

گروه مهندسی کامپیوتر - پردیس فنی و مهندسی - دانشگاه یزد

مهدی رضاییان

گروه مهندسی کامپیوتر - پردیس فنی و مهندسی - دانشگاه یزد

علیرضا شکیبا فرد

دانشکده علوم پزشکی - دانشگاه شیراز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • J. Ahmedin, R. Siegel, E. Ward, Y. Hao, J. Xu, ...
  • J. K. Won, Y.J. Won, S. Park, H.J Kong, J. ...
  • M. Keshani, Z. Azimifar, F. Tajeripour, R. Boostani, “Lung nodule ...
  • A. M. Santos, A. O. de Carvalho Filho, A .C. ...
  • I. R. S. Valente, P. C. Cortez, et al., “Automatic ...
  • S. Shimoyama, N. Homma, M. Sakai, T. Ishibashi, and M. ...
  • Y. Sui, Y. Wei & D. Zhao, “Computer-Aided Lung Nodule ...
  • S. T. Namin, H. Abrishami Moghaddam, R. Jafari, M. Esmaeil-Zadeh ...
  • Y. Lee, T. Hara, H. Fujita, S. Itoh, T. Ishigaki, ...
  • S. Soltaninejad, M. Keshani and F. Tajeripour, “Lung nodule detection ...
  • P. Badura, & E. Pietka, “Soft computing approach to ۳D ...
  • S. Shen, A. A. Bui, J. Cong, & W. Hsu, ...
  • H. J. Vala, A. Baxi, “A review on Otsu image ...
  • M. Keshani, Z. Azimifar, R. Boostani and A. Shakibafar. “Lung ...
  • X. Ye, X. Lin, J. Dehmeshki, G. Slabaugh, G. Beddoe, ...
  • R. K. Bawa, G. K. Sethi. “A review on binarization ...
  • P. K. Sahoo, S. Soltani, A. K. Wong, “A survey ...
  • S. Sarkar, S. Das, S Paul, S. Polley, R. Burman, ...
  • A. Tartar, N. Kilic, A. Akan, “Classification of Pulmonary Nodules ...
  • N. S. Lingayat and M. R. Tarambale , “A Computer ...
  • < http://www.via.cornell.edu/databases/lungdb.html > ...
  • A. A. Farag, H. E. Abd, E. Munim, J. H. ...
  • B. Scholkopf, and A. J. Smola, “Learning with kernels: support ...
  • S. Zheng, J. Liu, J.W. Tian, “A new efficient SVM-based ...
  • J. Dehmeshki, X. Ye, X.Y. Lin, M. Valdivieso, H. Amin, ...
  • D. Cascio, R. Magro, F. Fauci, M. Lacomi, and G. ...
  • H. Han, L. Li, F. Han, B. Song, W. Moore, ...
  • A. Teramoto, H. Fujita, O. Yamamuro, and T. Tamaki, “Automated ...
  • A. Teramoto, H. Fujita, O. Yamamuro, and T. Tamaki, “Automated ...
  • G. kbarizadeh and A. E. Moghaddam, “Detection of Lung Nodules ...
  • نمایش کامل مراجع