Publisher of Iranian Journals and Conference Proceedings

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

A combined deep Neural Network for classifying T۱ weighted Magnetic Resonance Brain tumor

دوازدهمین کنفرانس بین المللی فناوری اطلاعات، کامپیوتر و مخابرات
سال انتشار: 1400
کد COI مقاله: ITCT12_100
زبان مقاله: انگلیسیمشاهده این مقاله: 245
فایل این مقاله در 7 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 7 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله A combined deep Neural Network for classifying T۱ weighted Magnetic Resonance Brain tumor

Maryam Khoshkhooy Titkanlou - Master of Science, Biomedical engineering- Faculty of Engineering, Babol Noshirvani University of Technology, Babol, Iran
Mostafa Kazemi - Master of Science, Electrical Engineering, Faculty of Engineering, Shahed University, Tehran, Iran
Mohsen Amra - Master of Science, Financial Engineering, Department of Industrial Engineering, Islamic Azad university of south Tehran branch, Tehran, Iran

چکیده مقاله:

One of the main challenges in treating tumors and assessing disease progression is diagnosing tumor size And distinguish tumor types from each other. Manual tumor segmentation in three-dimensional Magnetic Resonance images (volume MRI) is a time-consuming and tedious task. Its accuracy depends heavily on the operator's experience doing it. The need for an accurate and fully automatic method for segmenting brain tumors and measuring tumor size is strongly felt. This paper first uses a combined CNN-LSTM method to detect HG and LG tumors in ۳D brain images. Then it used the UNET Neural Network to improve the location of the tumor in the brain. In this article, we use BRATS ۲۰۱۸ database images, And manual segmentation is used as the Grand truth. in this paper, we showed that the proposed method could effectively perform segmentation.

کلیدواژه ها:

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا ITCT12_100 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/1261265/

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:
Khoshkhooy Titkanlou, Maryam and Kazemi, Mostafa and Amra, Mohsen,1400,A combined deep Neural Network for classifying T۱ weighted Magnetic Resonance Brain tumor,Twelfth International Conference on Information Technology, Computer and Telecommunications,https://civilica.com/doc/1261265

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: (1400, Khoshkhooy Titkanlou, Maryam؛ Mostafa Kazemi and Mohsen Amra)
برای بار دوم به بعد: (1400, Khoshkhooy Titkanlou؛ Kazemi and Amra)
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: 6,228
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