تشخیص تومرهای مغزی بر مبنای قطعه بندی سلسله مراتبی

معصومه ثمرباف; مهدی فرتاش

تشخیص تومرهای مغزی بر مبنای قطعه بندی سلسله مراتبی

محل انتشار: کنفرانس بین المللی پژوهش های نوین در علوم مهندسی

سال انتشار: 1395

نوع سند: مقاله کنفرانسی

زبان: فارسی

مشاهده: 621

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

دریافت فایل کامل مقاله

صدور گواهی نمایه سازی
من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

https://civilica.com/doc/506455

شناسه ملی سند علمی:

RKES01_105

تاریخ نمایه سازی: 21 شهریور 1395

چکیده مقاله:

در این مقاله یک روش کارا بر پایه ی الگوریتم های سلسله مراتبی و بااستفاده ازویژگیهای ساده برای شناسایی محدوده ی تومرهای مغزی در عکس های تشدید مغناطیس ارایه شده است. روش پیش هادی در دو مرحلهی کلی کار را پیشمی برد. در مرحلهی پیش پردازش، روندی دنبال میشود تا جزئیات موجود در عکس به طور تقریب حذف گردند سپس با انتخاب ویژگی های مناسب، هر پیکسل را به یک فضای سه بعدی انتقال می دهیم. الگوریتم سلسله مراتبی تجمعی تک پیوندی 3 در این فضای سه بعدی اعمال میگرد و برحسب معیارفاصله ای که درنظر گرفته میشود پیکس های شبیه به هم را دسته بندی می کند. انتخاب پارامترهای روش به وسیله ی روش ازدحام ذرات انجام میشود نتایج حاصل نشان از قوت روش پیش هادی در مقابل روش های رقیب دارد

کلیدواژه ها:

قطعه بندی ، سلسله مراتبی ، ازدحام ذرات ، تشدید مغناطیسی ، تومرهای مغزی

نویسندگان

معصومه ثمرباف

گروه مهندسی برق و کامپیوتر واحداراک دانشگاه آزاد اسلامی اراک ایران

مهدی فرتاش

گروه مهندسی برق و کامپیوتر واحداراک دانشگاه آزاد اسلامی اراک 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 :

آمحسن ایمانی، خوشه بندی متون فارسی، دانشگاه علم و صنعت ...
پژمان طهماسبی، خوشه بندی داده های محیطی، درسنامه، .1390 ...
J. W. Henson, S. Ulmer, G, J. Harris, brain tumor ...
E. D. Angelini, O. Clatz, E. Mandonnet, E. Konukoglu, L. ...
registration and in Silico growth algorithms and their clinical applications, ...
L. R. Schad, S. Bluml, I. Zuna, mr tissue c ...
W. E. Phillips, R. P. Velthuizen, S. Phuphanich, L. O. ...
differentiation in MR images of a hemorrhagic Glioblastoma multiforme, magneticre ...
M. Vaidyanathan, comparison of supervised MRI segmentation methods for tumor ...
M. C. Clark, L. O. Hall, D. B. Goldgof, R. ...
L. M. Fletcher-Heath, L. O. Hall, D. B. Goldgof, F. ...
automatic segmentation of non-enhancing brain tumors in magnetic resonance images, ...
D. Cobzas, N. Birkbeck, M. Schmidt, M. Jagersand, A. Murtha, ...
variational brain tumor segmentation using a high dimensional feature set, ...
K. Popuri, D. Cobzas, A. Murtha, M. Jagersand, 3D variational ...
tumor segmentation using Dirichlet priors on a clustered feature set, ...
H. Khotanlou, O. Colliot, J. Atif, I. Bloch, 3d brain ...
A. Hamamci, N. Kucuk, K. Karaman, K. Engin, G. Unal, ...
R. Kindermann, J. Snell, markov random fields and their applications. ...
S. Kumar, M.Hebert, discriminative random fields, international journal of computer ...
segmentation, international journal of computer vision, 2006. ...
A. M. Omran, particle SWarm optimization methods for pattern recognition ...
J. C. Vazquez, F. Valdez, P. Melin, comparative study of ...
V. Vezhnevets, V. Konouchine, GrowCut: interactive multi-label N-D image segmentation ...
A. Hamamci, N. Kucuk, K. Karaman, K. Engin, G. Unal, ...
Y. Boykov, G. Funka-Lea, graph cuts and efficient N-D image ...

نمایش کامل مراجع