مقاله تشخیص اتوماتیک تومورهای بدخیم سرطان ریه از روی تطاویر پاتولوژی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله تشخیص اتوماتیک تومورهای بدخیم سرطان ریه از روی تطاویر پاتولوژی دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله تشخیص اتوماتیک تومورهای بدخیم سرطان ریه از روی تطاویر پاتولوژی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله تشخیص اتوماتیک تومورهای بدخیم سرطان ریه از روی تطاویر پاتولوژی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله تشخیص اتوماتیک تومورهای بدخیم سرطان ریه از روی تطاویر پاتولوژی :

تعداد صفحات:۸

چکیده:

سرطان ریه با کارسینوم برونکوژنیک شایع ترین بدخیمی احشایی در بین مردان بوده و به تنهایی مسئول یک سوم از مرگ و میرهای ناشی از سرطان در مردان و ۷% از تمام مرگ و میرها در مردان و زنان می باشد. در یک فرآیند درمانی پس از معاینات کلینیکی چنانچه با روش های غیر تهاجمی مثل رادیوگرافی، CT اسکن، MRI، ; احتمال وقوع یک تومور سرطانی وجود داشته باشد، بیمار تحت عمل جراجی نمونه برداری قرار می گیرد. مهمترین مرحله در تشخیص سرطان و اعلام بدخیم یا خوش خیم بودن تومور، مشاهده تصاویر میکروسکوپی بافت مشکوک توسط پاتولوژیست می باشد. نظر پاتولوژیست متأثر از عوامل درون ناظری و برون ناظری بوده و بستگی به تجارب و دقت وی دارد. به نحوی که در بسیاری از موارد مشکل نظر دو پاتولوژیست الزاماً یکی نیست. در این مقاله با کمک تکنیک های شناسایی الگو روشی اتوماتیک و سریع جهت تشخیص سرطان ریه از روی تصاویر پاتولوژی ارائه شده است. برای اینکار از هیستوگرام آماری مرتبه دوم معمولی و تفاضلی استفاده نموده و ده ویژگی آماری مختلف از روی آنها محاسبه و بررسی شده است. صد تصویر پاتولوژی بافت ریه شامل الگوهای خوش خیم و بدخیم با نتایج تخیصی معین بعنوان الگوهای آزمایشی انتخاب و با دقت ۳۰۰dpi اسکن و ذخیره شدند. با استفاده از الگوهای آزمایشی و استفاده از الگوریتم های مختلف، توانایی هر ویژگی به تنهایی و در کنار سایر ویژگیها ارزیابی و نهایتاً پنج ویژگی که بهترین میزان تابع ارزیابی عملکرد را از خود نشان داده بودند جهت معیارهای کلاسیفایرها انتخاب گردیدند. در بین انواع کلاسیفایرهایی که در این تحقیق تحت طراحی و آزمایش قرار گرفته اند، در بهینه ترین حالت با استفاده از کلاسیفایر آموزش پذیر با الگوریتم آموزش پرسپترون و استفاده از یک شبکه عصبی با معماری دولایه به سیستمی با دقت صحت مثبت Tp=73% و خطای مثبت FP=35% دست یافته ایم.