طراحی سیستم تشخیص ندول های ریوی از روی تصاویر سی تی اسکن ریه با استفاده از طبقه بندی کننده ماشین بردار پشتیبان

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 229

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JHBMI-3-4_006

تاریخ نمایه سازی: 9 مرداد 1403

چکیده مقاله:

مقدمه: تشخیص ندول های ریوی به کمک رادیولوژی یکی از روش های تشخیص زودرس سرطان در تصاویر سی تی اسکن است. یکی از چالش­های اصلی برای تشخیص ندول­های ریوی ، مشکل شناسایی و تفکیک ندول­های ریوی از اجزا ریه می­باشد. در این پژوهش یک سیستم تشخیص به کمک کامپیوتر جهت شناسایی این ندول ها معرفی شده است. روش: این پژوهش مطالعه­ای توصیفی، تحلیلی بوده که به روی ۹۷ تصویر سی­تی اسکن انجام شده است. جهت تشخیص ندول­های ریوی از طبقه بندی کننده ی ماشین بردار پشتیبان و الگوریتم ژنتیک به کمک نرم افزار متلب استفاده شده است. نتایج: در این پژوهش در مورد ریه، سعی در دسته بندی نواحی تصاویر، به دو دسته دارای ندول و بدون ندول شده است. تحقیق حاضر درصدد ایجاد چارچوبی کاملا خودکار برای شناسایی ندول های ریوی در تصاویر سی تی اسکن قفسه سینه می باشد. این چارچوب بخشی اساسی از سیستم شناسایی به کمک کامپیوتر بوده که در شناسایی دقیق و سریع تر ندول­های ریوی به رادیولوژیست کمک می نماید.  نتیجه ­گیری: با توجه به نتایج حاصل از این مطالعه، برای تشخیص مناطق مشکوک به ندول، سیستم پیشنهادی به طور موثری در تشخیص ندول های مشکوک و مناطق آن ها نسبت به روش های قبلی بهتر عمل کرده است.

کلیدواژه ها:

Pulmonary Nodules ، CT Scan Images ، Support Vector Machine Classifier ، ندول های ریوی ، تصاویر سی تی اسکن ، طبقه بندی کننده ی ماشین بردار پشتیبان.

نویسندگان

حمیدرضا غفاری

دکتری مهندسی کامپیوتر، استادیار گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد فردوس، دانشگاه آزاد اسلامی، فردوس، ایران.

مصطفی مستشاری

M.Sc. Computer Engineering, Department of Computer Engineering, Ferdows Branch, Islamic Azad University, Iran.

مریم سادات محمودی

کارشناس ارشد علوم کامپیوتر، مربی، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور، ایران.

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 :
  • National Cancer Institute. Cancer Stat Facts: Lung and Bronchus Cancer.National ...
  • Ebrahimnejad J, Amirfattahi R, Shayegh F. Usage of template matching ...
  • Lee Y, Hara T, Fujita H, Itoh S, Ishigaki T. ...
  • Namin ST, Moghaddam HA, Jafari R, Esmaeil-Zadeh M. Automated detection ...
  • Gonçalves L, Novo J, Campilho A. Hessian based approaches for ...
  • Nithila EE, Kumar SS. Segmentation of lung nodule in CT ...
  • Kuppusamy V. Feature Extraction Based Lung Nodule Detection In CT ...
  • Armato SG, McLennan G, Bidaut L, McNitt-Gray MF, Meyer C. ...
  • Aggarwal T, Furqan A, Kalra K. Feature extraction and LDA ...
  • Sajadzadeh A, Zahiri H, Razavi SM. Feature Selection Using Binary ...
  • Shao H, Cao L, Liu Y. A detection approach for ...
  • Keshani M, Azimifar Z, Tajeripour F, Boostani R. Lung nodule ...
  • Nithila E, Kumar SS. Lung cancer diagnosis from CT images ...
  • Dou Q, Chen H, Yu L, Qin J, Heng PA. ...
  • Zhou T, Lu H, Zhang J, Shi H. Pulmonary Nodule ...
  • Sweetlin JD, Nehemiah HK, Kannan A. Feature selection using ant ...
  • نمایش کامل مراجع