Publisher of Iranian Journals and Conference Proceedings

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

A Method for Body Fat Composition Analysis in Abdominal Magnetic Resonance Images Via Self-Organizing Map Neural Network

مجله فیزیک پزشکی ایران، دوره: 15، شماره: 2
سال انتشار: 1397
کد COI مقاله: JR_IJMP-15-2_006
زبان مقاله: انگلیسیمشاهده این مقاله: 288
فایل این مقاله در 9 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 9 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله A Method for Body Fat Composition Analysis in Abdominal Magnetic Resonance Images Via Self-Organizing Map Neural Network

Fateme Moghbeli - PhD Student in Medical Informatics, Department of Health Information Management, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran- Iran
Mostafa Langarizadeh - Iran University of Medical Sciences
Ali Younesi - Assistant Professor of Neuroscience, Faculty of advanced technologies in medicine, Tehran University of Medical Sciences.
Amir Reza Radmard - ۴Assistant Professor, Department of Radiology, Shariati Hospital, Tehran University of Medical Sciences.

چکیده مقاله:

Introduction: The present study aimed to suggest an unsupervised method for the segmentation of visceral adipose tissue (VAT) and subcutaneous adipose tissue (SAT) in axial magnetic resonance (MR) images of the abdomen. Materials and Methods: A self-organizing map (SOM) neural network was designed to segment the adipose tissue from other tissues in the MR images. The segmentation of SAT and VAT was accomplished using a new level set method called distance regularized level set evolution (DRLSE). To evaluate the suggested method, the whole-body abdominal MRI was performed on 23 subjects, and three slices were selected for each case.  Results: The results of the automatic segmentation were compared with those of the manual segmentation and previous artificial intelligent methods. According to the results, there was a significant correlation between the automatic and manual segmentation results of VAT and SAT. Conclusion: As the findings indicated, the suggested method improved detection of body fat. In this study, a fully automated abdominal adipose tissue segmentation algorithm was suggested, which used the SOM neural network and DRLSE level set algorithm. The proposed methodology was concluded to be accurate and robust with a significant advantage over the manual and previous segmentation methods in terms of speed and accuracy.

کلیدواژه ها:

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_IJMP-15-2_006 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/893252/

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:
Moghbeli, Fateme and Langarizadeh, Mostafa and Younesi, Ali and Radmard, Amir Reza,1397,A Method for Body Fat Composition Analysis in Abdominal Magnetic Resonance Images Via Self-Organizing Map Neural Network,https://civilica.com/doc/893252

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: (1397, Moghbeli, Fateme؛ Mostafa Langarizadeh and Ali Younesi and Amir Reza Radmard)
برای بار دوم به بعد: (1397, Moghbeli؛ Langarizadeh and Younesi and Radmard)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • Kravitz L, Heyward VH. Getting a grip on body composition. ...
  • Safdari R, Kadivar M, Langarizadeh M, Nejad A, Kermani F. ...
  • WILIMORE J, Buskirk E, DiGirolamo M, Lohman T. BODY-COMPOSITION-A ROUND-TABLE. ...
  • Smith SR, Lovejoy JC, Greenway F, Ryan D, deJonge L, ...
  • Björntorp P. Portal adipose tissue as a generator of risk ...
  • Seidell J, Bouchard C. Visceral fat in relation to health: ...
  • Abate N, Garg A, Peshock RM, Stray-Gundersen J, Adams-Huet B, ...
  • Heyward VH, Wagner DR. Applied body composition assessment. 2004. ...
  • Otterstetter R, Johnson K, Kiger D, Agnor S, Edwards J, ...
  • Abate N, Burns D, Peshock R, Garg A, Grundy SM. ...
  • Iacobellis G. Imaging of visceral adipose tissue: an emerging diagnostic ...
  • Shen W, Punyanitya M, Wang Z, Gallagher D, St-Onge M-P, ...
  • Bonekamp S, Ghosh P, Crawford S, Solga S, Horska A, ...
  • Armao D, Guyon JP, Firat Z, Brown MA, Semelka RC. ...
  • Kullberg J, Ahlström H, Johansson L, Frimmel H. Automated and ...
  • Kullberg J, Karlsson AK, Stokland E, Svensson PA, Dahlgren J. ...
  • Brennan DD, Whelan PF, Robinson K, Ghita O, O Brien ...
  • Machann J, Thamer C, Schnoedt B, Haap M, Haring HU, ...
  • Machann J, Thamer C, Stefan N, Schwenzer NF, Kantartzis K, ...
  • Moghbeli F, Langarizadeh M, Aliabadi A. Application of Ethics for ...
  • Kullberg J, Johansson L, Ahlström H, Courivaud F, Koken P, ...
  • Würslin C, Machann J, Rempp H, Claussen C, Yang B, ...
  • Kupusinac A, Stokić E, Doroslovački R. Predicting body fat percentage ...
  • Chang P-L, Teng W-G, editors. Exploiting the self-organizing map for ...
  • Langarizadeh M, Moghbeli F. Applying naive bayesian networks to disease ...
  • Li C, Xu C, Gui C, Fox MD. Distance regularized ...
  • Sled JG, Zijdenbos AP, Evans AC. A nonparametric method for ...
  • Langarizadeh M, Mahmud R, Ramli A, Napis S, Beikzadeh M, ...
  • Jangi M, Fernández-de-las-Peñas C, Tara M, Moghbeli F, Ghaderi F, ...
  • Langarizadeh M, Maghsoudi B, Nilforushan N. Decision support system for ...
  • Manjón JV, Lull JJ, Carbonell-Caballero J, García-Martí G, Martí-Bonmatí L, ...
  • Kohonen T. Self-organized formation of topologically correct feature maps. Biological ...
  • Rickard HE, Tourassi GD, Eltonsy N, Elmaghraby AS, editors. Breast ...
  • Demirhan A, Güler İ. Combining stationary wavelet transform and self-organizing ...
  • Poonawalla AH, Sjoberg BP, Rehm JL, Hernando D, Hines CD, ...
  • Caselles V, Catté F, Coll T, Dibos F. A geometric ...
  • Malladi R, Sethian JA, Vemuri BC. Shape modeling with front ...
  • ng methods. Journal of Computing and Information Technology. 2003;11(1):1-2. ...
  • Fedkiw SOR. Level set methods and dynamic implicit surfaces. 2003. ...
  • Gronemeyer SA, Steen RG, Kauffman WM, Reddick WE, Glass JO. ...
  • Positano V, Gastaldelli A, Santarelli MF, Lombardi M, Landini L. ...
  • Joshi AA, Hu HH, Leahy RM, Goran MI, Nayak KS. ...
  • Nilashi M, Ibrahim O, Ahmadi H, Shahmoradi L. A knowledge-based ...

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: علوم پزشکی
تعداد مقالات: 4,529
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.

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