تشخیص تومور مغزی توسط ترکیب همجوشی الگوریتم های FUZZY C-MEANS و ماشین بردار پشتیبان (SVM) در تصاویر MRI و CT-SCAN

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 865

فایل این مقاله در 30 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

EECIT01_060

تاریخ نمایه سازی: 5 اردیبهشت 1396

چکیده مقاله:

شیوع روزافزون تومور مغزی از یک طرف و اهمیت تشخیص به موقع و زودهنگام آن از طرف دیگر، لزوم تصویربرداری دقیق را برای شناسایی تومور مغزی، بیان می کند. به همین منظور تاکنون روش های تصویبرداری مختلفی از جمله ماموگرافی، CT، ترموگرافی، سونوگرافی سینه و MRI مورد مطالعه قرار گرفته است. در این میان MRI و CT به دلیل حساسیت بالا، عدم استفاده از پرتو یونیزه، و غیرتهاجمی بودن یک روش تشخیصی ارزشمند به حساب می آید. از آنجاییکه، تشخیص بیماری تومور مغزی وابسته به تجربه و مهارت پزشک می باشد لزوم ارایه روشی که از طریق آن بتوان تشخیص را به روشی هوشمند انجام داد احساس می شود. ساختار کلی این تحقیق به دوفاز آموزش و تست داده تقسیم که کلیه مراحل این روش در هر دو فاز یکسان بوده با این تفاوت که در فاز تست از مجموعه داده های جدید که در فاز آموزش استفاده نشده اند به کار گرفته می شود. در این مطالعه قبل از اعمال روش های خوشه بندی و طبقه بندی لازم است کیفیت تصاویر MRI با استفاده از تکنیک های بهبود کنتراست، کشش محدوده میانه، آستانه گیری، و عملگرهای سایش و پرکردن نواحی بهبود دهیم که پس از بهبود افزایش کیفیت تصاویر، مرحله خوشه بندی را به راحتی می توان انجام داد. تکنیک خوشه بندی مورد استفاده، روش خوشه بندی فازی سی مینز می باشد. که این خوشه بندی داده های ورودی را در خوشه های همسان جدا نموده، در مرحله بعد استخراج ویژگی ها که به معنای به دست آوردن اطلاعات تصویر می باشد. با استفاده از روش ماتریس همرخداد سطح خاکستری (GLCM) انجام شده است. ویژگی های ماتریس همرخداد سطح خاکستری تصاویر MRI و CT را در هر دوفاز آموزش و تست به طبقه بند ماشین بردار پشتیبان با سه نوع کرنل چند جمله ای، درجه دوم، RBF اعمال که نتیجه کار، تشخیص طبیعی یا غیرطبیعی بودن تصویر را نشان می دهد. که این تکنیک طبقه بند به طور گسترده در تجزیه و تحلیل داده ها و شناخت الگو استفاده می شود. در این نوشتار، پایگاه مورد مطالعه شامل 66 تصویر MRI و سی تی اسکن مغز از نوع تومور و بدون تومور می باشد ساختار روش پیشنهادی متشکل از دوفاز آموزش و تست داده ها می باشد که از این 66 داده تصویری، 51 داده در فاز آموزش و 15 داده در فاز تست درنظر گرفته ایم در نهایت صحت تشخیص تومور برای هر سه نوع کرنل به ترتیب 80، 93، 93 درصد می باشد.

کلیدواژه ها:

تشخیص تومور مغزی ، فازی سی مینز (FCM) ، ماتریس هم رخداد سطح خاکستری (GLCM) ، ماشین بردار پشتیبان (SVM)

نویسندگان

سیدصالح موسوی سرحدی

گروه مهندسی کامپیوتر گرایش نرم افزار، واحد زاهدان، دانشگاه آزاد اسلامی، زاهدان، ایران

مهدی ترخان

گروه مهندسی کامپیوتر گرایش نرم افزار، واحد زاهدان، دانشگاه آزاد اسلامی، زاهدان، ایران

محمدرضا وظیفه

گروه مهندسی کامپیوتر گرایش نرم افزار، واحد زاهدان، دانشگاه آزاد اسلامی، زاهدان، 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 :
  • آشکارسازی خودکار تومور مغزی در تصاویرMRI 3 Teslaبا استفاده از روش فازی [مقاله کنفرانسی]
  • تشخیص تومور مغزی ازMRIبا استفاده از پردازش تصویرو شبکه عصبی [مقاله کنفرانسی]
  • سپهره ر0، _ و کاردر، ل.، 1386، بررسی و مقایسه ...
  • ارائه روش ترکیبی برای طبقه بندی تومورهای مغزی در تصاویر ام آر آی [مقاله کنفرانسی]
  • شفقی, رضا و مهدی جعغری، 1391، تشخیص تومور مغزی در ... [مقاله کنفرانسی]
  • شناسایی مرزها و محدوده ی تومورهای مغزی درتصاویر mri [مقاله کنفرانسی]
  • محمودلو. ف. و فیضی درخشی، م.، 1393، خوشه _ وبرسی ...
  • .Agarwal, S., et al., 2007, A pervasive computing system for ...
  • .Baclawski, K., _ al., 2003 _ Formalization of situation awareness ...
  • .Barlow, C., L. Stone , M. Finn, 1996, Unified data ...
  • .Benferhat, S., _ al. , 2006, Bipolar possibility theory in ...
  • .Bezdek, J. C., R. Ehrlich , W. Full, 1984, FCM: ...
  • .Biglieri, E. , M. Lops, 2 006, Multiuser detection using ...
  • .Bosse, E. . Roy , s. Paradi s, 2000, Modeling ...
  • .Burges, C. J., 1998, A tutorial _ support vector machines ...
  • .Campbell, C. , Y. Ying, 201 I, Learning with support ...
  • .Campos, F. , S. Cavalcante, 200 3 , An extended ...
  • .Chen, S.-L. , Y. Jen, 2000, Data fusion neural network ...
  • .Cholvy, L. , A. Hunter, _ 997, Information fusion in ...
  • .Clark, J. J. , A. _ Yuille, 20 13, Data ...
  • .Dasarathy, B. V., _ 9 9 9, Information fusion benefits ...
  • .Dave, R. N. , R. Krishnapuram, 1997, Robust clustering methods: ...
  • .Deepa, S. , B. A. Devi, 2011, A Survey _ ...
  • .Dubois, D. , H. Prade, 200 I, Possibility theory, probability ...
  • .Dubois, D. , H. Prade, 1997, The three semantics of ...
  • .El-Dahshan, E.-S. A., T. Hosny , A.-B. _ Salem, 20 ...
  • .Endsley, M. R., 1995, Toward a theory of situation awarenes ...
  • .Girolami, M .2002, Mercer kernel-based clustering in feature space, IEEE ...
  • .Goll, I. , A. M. Rasheed, 1997, Rational decision- making ...
  • .Gomes, J. , H.-A. Cho i, 2 008, Adaptive optimization ...
  • .Goodman, I. R., R. P. Mahler , H. T. Nguyen, ...
  • .Gustafson, D. E. , W. C. Kessel, 1979, Scientific Systems, ...
  • .Halkidi, M., Y. Batistakis , M. Vazirgiannis, 2 00 _ ...
  • .Hall, D. L. , J. Llinas, 1997, An introduction to ...
  • .Han, J., J. Pei , M. Kamber, 201 1, Data ...
  • .Herbrich, R., 200 1, Learning kernel classifiers: theory and algorithms ...
  • .Jafari, M. , R. Shafaghi, 20 12, A hybrid approach ...
  • .Jain, S..2013, Brain Cancer Classification Using GLCM Based Feature Extraction ...
  • .Jayachandran, A. , R. D hanasekaran, 20 13, Brain tumor ...
  • .Kahraman, C., G. Biyikozkan , N. Y. Ates, 2007, A ...
  • .Kalbkhani, H., M. G. Shayesteh , B. Zal i-Vargahan, 20 ...
  • .Kant, J.-D. , S. Thiriot, 2 006, Modeling one human ...
  • .Kharrat, A., et al., 2010, A hybrid approach for automatic ...
  • .Klausner, A., B. Rinner , A. Tengg, 2006, I-SENSE : ...
  • .Klawomn, F. , R. Kruse, _ 997, Constructing a fuzzy ...
  • .Korbicz, J. , M. Kowal, 2 007 , Neuro-fuzzy networks ...
  • .Krishnapuram, R. , J. Kim, 1999, A note on the ...
  • .Lashkari, A..2010, A neural network based method for brain abnormality ...
  • .Lemmi, A. , G. Betti, 200 6, Fuzzy set approach ...
  • .Leski, J. M., 2003 , Generalized weighted conditional fuzzy clustering, ...
  • .Lin, G.-C., et al., 20 10, Automated classification of multi-spectral ...
  • .Lindner, J., R. R. Murphy , E. Nitz, 1994, Learning ...
  • .Mohammed, S. , E. Ringseis, 2001 , Cognitive diversity and ...
  • .Motro, A. , P. Anokhin, 2006, Fusionplex: resolution of data ...
  • .Mulgund, S., et al., 1997, OLIPSA: on-line intelligent processor for ...
  • .Muller, K.-R., et al., 2001, An introduction to kernel-based learning ...
  • .Mustara, 2006, Spatial Modelling _ Susceptibility of Fires in Peatland, ...
  • .Nandpuru, H. B., S. Salankar , V. Bora, 20 14, ...
  • .Nanthagopal, A. P. , R. Sukanesh, 20 13, Wavelet statistical ...
  • .Otsu, N.1975, A threshold selection method from gray-level histo grams, ...
  • .Padma, A. , R. Sukanesh, 20 13, SVM based classification ...
  • .Pal, N. R., K. Pal , J. C. Bezdek, 1997, ...
  • .Pal, N. R., et al., 2005, A possibilistic fuzzy c-means ...
  • .Perez, P., J. Vermaak , A. B lake, 2004, Data ...
  • .Pew, R. W. , A. S. Mavor, _ 998, Modeling ...
  • .Pham, D. L. , J. L. Prince, 1999, An adaptive ...
  • .Phillips-Wren, G. , N. Ichalkaranj e, 2 008, Intelligent decision ...
  • .Pop, S., et al , , 200 7, Low-level fusion: ...
  • .Qiu, H. Z., H. Y. Zhang , H. Jin, 2004, ...
  • .Rathi, V. , S. Palani, 20 12, Brain tumor MRI ...
  • .Saritha, M., K. P. Joseph , A. T. Mathew, 201 ...
  • .Scholkopf, B., A. Smola , K. Muller, _ 998, Nonlinear ...
  • .Scholkopf, B. , A. J. Smola, 2002, Learning with kercnels ...
  • .Selvaraj, H., et al., 2007, Brain MRI slices classification using ...
  • .Sindhumol, S., A. Kumar , K. B alakrishnan, 20 _ ...
  • .Smart, P. R., et al. , 2005 , Knowled ge-based ...
  • .Sreenivasarao, V. , D. S. Vidyavathi, 20 _ 0, Comparative ...
  • .Steinwart, I. , A. Christmann, 2 008, Support vector machines ...
  • .Stone, L. D., et al., 201 3, Bayesian multiple target ...
  • .Sumitra, N. , R. K. Saxena, 20 13, Brain tumor ...
  • Theodoridis, S. , K. Koutroumbas, 1999, Pattern Recognition ...
  • .Timm, H., et al., 2004, An extension to possibilistic fuzzy ...
  • .Torra, V. , Y. Narukawa, 2 007, Modeling decisions: information ...
  • .Tran, D. , M. Wagner, 2000, Fuzzy entropy clustering, Fuzzy ...
  • .Tsai, C.-Y. , C.-C. Chiu, 2 00 8, Developing a ...
  • .Tsekouras, G. E. , H. Sarimve is, 2004, A new ...
  • _ Turmcho kkasam, S. , S. Mitaim, 2006, Effects of ...
  • .Ubaidillah, S. H. S. A., R. Sallehuddin , N. A. ...
  • .Vladimir, V. N. , V. Vapnik, 1995, The nature of ...
  • .Wang, X, Y. Wang , L. Wang, 2004, Improving fuzzy ...
  • .Wu, H., et al .2002, Sensor fusion using Dempster -Shafer ...
  • method, Computational Intellience and Multimedia Applications, 2003. ICCIMA 2003. Procedings. ...
  • .Xiao, K., _ al., 20 13, Extraction and application of ...
  • .Xu, X., Q. Ge , C. Wen, 2007, A fusion ...
  • .Yang, M.-S. , H.-S. Tsai, 2008, A Gaussian kernel-based fuzzy ...
  • .Zadeh, L. A., 1965, Fuzzy sets, Information and control, 8, ...
  • .Zarandi, M. F., M. Zarinbal , M. Izadi, 201 1, ...
  • .Wu, Z.-d., W.-x. Xie , .-p. Yu, 2003 , Fuzzy ...
  • .Zhang, D.-Q. , S.-C. Chen, 2003 , Clustering incomplete data ...
  • .Zhang, Y., et al., 2011, A hybrid method for MRI ...
  • .Zhou, J., _ al., 2006, An efficient algorithm for optimal ...
  • .Zhou, S. , J. Q. Gan, 2004, Mercer kernel, fuzzy ...
  • نمایش کامل مراجع