مقاله آشکارسازی و دسته بندی تمام خودکار نواحی مشکوک در تصاویر ترموگرام سینه جهت تشخیص زودهنگام سرطان

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

 مقاله آشکارسازی و دسته بندی تمام خودکار نواحی مشکوک در تصاویر ترموگرام سینه جهت تشخیص زودهنگام سرطان دارای ۲۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله آشکارسازی و دسته بندی تمام خودکار نواحی مشکوک در تصاویر ترموگرام سینه جهت تشخیص زودهنگام سرطان  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 آشکارسازی و دسته بندی تمام خودکار نواحی مشکوک در تصاویر ترموگرام سینه جهت تشخیص زودهنگام سرطان،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله آشکارسازی و دسته بندی تمام خودکار نواحی مشکوک در تصاویر ترموگرام سینه جهت تشخیص زودهنگام سرطان :

تعداد صفحات :۲۴

سرطان سینه رایج‌ترین نوع سرطان در بین زنان میباشد. مطالعات پاتولوژیک نشان داده اند بیش از۸۰% ناهنجاری‌های سینه در مراحل اولیه خوش خیم بوده، فلذا کلیدی‌ترین مسأله در درمان آن تشخیص زودهنگام می‌باشد. ترموگرافی مادون‌قرمز سینه یک روش تصویرگیری مبتنی بر ثبت الگوهای توزیع دمایی بافت سینه بوده و در مقایسه با ماموگرافی سینه به دلیل غیرتهاجمی، غیرتماسی، غیرفعال بودن و عدم استفاده از تابش یونیزان روشی بسیار مناسب درتشخیص زودهنگام سلول‌های سرطانی می‌باشد. در این مقاله روشی به‌منظور آشکارسازی خودکار نواحی مشکوک در تصاویر ترموگرام سینه با هدف یاری رساندن به پزشکان در تشخیص زودهنگام این سرطان ارائه شده‌ به‌نحوی که دقت را افزایش و درصد پذیرش اشتباه را کاهش میدهد. الگوریتم شامل ۴ بخش اصلی پردازش تصویر، استخراج ویژگی، انتخاب ویژگی و طبقه‌بندی می‌باشد. در مرحله‌ پردازش، ابتدا براساس عملیاتی تمام اتوماتیک، ناحیه‌ مطلوب تعیین و کیفیت تصاویر ارتقاء یافته و سپس سینه‌‌ راست و چپ از یکدیگر جدا می‌شوند. سپس درایه‌های ماتریس تصویر نرمال‌سازی شده و نواحی نسبی مشکوک تعیین می‌شوند. پس از آن در مرحله‌ استخراج ویژگی، ویژگی‌های آماری، ویژگی‌هایی مبتنی بر هیستوگرام، ویژگی‌هایی مبتنی بر ماتریس هم‌وقوعی (GLCM)، ویژگی‌هایی بر اساس مورفولوژی نواحی مشکوک و ویژگی‌هایی در حوزه‌ فرکانس از هر یک از نواحی بخش‌بندی شده سینه‌ راست وچپ استخراج می‌شود. در ادامه برای دستیابی به بهترین ویژگی‌ها، روش‌های انتخاب ویژگی (mRMR)، (SFS)، (SBS)، (SFFS)، (SFBS) و (GA) به‌کار گرفته می‌شود. نهایتا جهت طبقه‌بندی و تعیین THها، روش‌های مختلف طبقه‌بندی مانند AdaBoost، (SVM)، (KNN) (NB) و (PNN) مورد ارزیابی قرار گرفته تا از مناسب‌ترین آن به‌منظور طبقه‌بندی ویژگی‌ها استفاده شود. نتایج به‌دست‌آمده روی پایگاه‌داده‌ بومی، بیان‌کننده‌ی کارایی قابل توجه روش پیشنهادی است. با توجه به نتایج، ترکیب mRMR با AdaBoost با ماکزیمم دقت ۹۲%، و ترکیب SFFS با AdaBoost با ماکزیمم دقت ۸۸%، بهترین ترکیبات به‌دست‌آمده روی تصاویر سینه‌ راست و چپ ارزیابی شدند.