طبقه بندی تصاویر mri سینه با استفاده از شبکه های عصبی و پردازش تکاملی
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی خواجه نصیرالدین طوسی
- نویسنده فرزانه کیوانفرد
- استاد راهنما محمد تشنه لب مهدی علیاری شوره دلی
- تعداد صفحات: ۱۵ صفحه ی اول
- سال انتشار 1389
چکیده
شیوع روز افزون سرطان سینه از یک طرف و اهمیت تشخیص به موقع و زودهنگام آن از طرف دیگر، لزوم تصویربرداری دقیق را برای شناسایی سرطان سینه، بیان می کند. به همین منظور تاکنون روش های تصویربرداری مختلفی از جمله ماموگرافی، ترموگرافی، سونوگرافی سینه و ام.آر.آی مورد مطالعه قرار گرفته است. در این میان، mri به دلیل حساسیت بالا، عدم استفاده از پرتو یونیزه، غیرتهاجمی بودن و غیره، یک روش تشخیصی ارزشمند به حساب می آید. یافته های بسیاری وجود دارد که نشان می دهد روش mri با تزریق ماده حاجب، برای تشخیص زودهنگام سرطان در زنان با ریسک ابتلای بالا، بسیار مفید و موثر می باشد. از آنجائیکه، تشخیص بیماری سرطان از جمله سرطان سینه و طبقه بندی نوع آن وابسته به تجربه و مهارت پزشک می باشد لزوم ارائه روشی که از طریق آن بتوان طبقه بندی را به روشی هوشمند انجام داد، احساس می شود. این نوشتار، به بررسی طبقه بندی داده های حاصل از تصاویر mri سینه، به دو گروه خوش خیم و بدخیم در دو بخش می پردازد. بخش اول بر روی داده های عددی مربوط به دانشگا کالیفرنیا در سال های 2006-2004 اعمال شده است که پس از انتخاب ویژگی با الگوریتم ژنتیک، شبکه های عصبی مختلف و نیز طبقه بندی کننده ماشین های بردار پشتیبان برای طبقه بندی به کار می رود. در نهایت با انتخاب سه طبقه بندی کننده برتر، توانستیم صحت 94%، 99% و 91% برای سه گروه داده mass non-mass,و تمام داده ها را بدست آوریم. در بخش دوم این پایان نامه، تصاویر جمع آوری شده از بیمارستان میلاد تهران برای این منظور به کار رفته است. دراین بخش برای استخراج ویژگی، پس از افزایش کنتراست تصویر، روش جستجوی پیکسل به پیکسل به تصویر اعمال می شود تا محدوده ای از ناحیه ای که تومور در بر گرفته است، مشخص شود. پس از تعیین ناحیه تومور، برای شناسایی دقیق مرز تومور از روش فازی استفاده می شود. روش های استخراج ویژگی بر روی ناحیه مورد نظر اعمال می شود. با به کارگیری ویژگی های بدست آمده و اعمال شبکه های عصبی مختلف، طبقه بندی داده ها به دو گروه خوش خیم و بدخیم انجام می شود. در این پایگاه داده، بااستفاده از بردار ماشین های پشتیبان خطی و سیگوئید توانستیم تفکیک داده ها را به طور کامل انجام دهیم.
منابع مشابه
شبیه سازی و طبقه بندی وقایع کیفیت توان با استفاده از شبکه عصبی
امروزه استفاده ی روز افزون از تجهیزات الکترونیکی و بارهای غیر خطی در سیستم قدرت، مسئله کیفیت توان را به یک موضوع مهم تبدیل کرده است. در این مقاله برای شبیه سازی وقایع کیفیت توان به طور همزمان از دو روش مدل سازی ریاضی و داده های حاصل از شبیه سازی با نرم افزار Pscad استفاده شده است. با توجه به عملکرد بسیار خوب شبکه های عصبی در کارهای تشخیص الگو و طبقه بندی، شبکه عصبی چند لایه برای طبقه بندی وقایع...
متن کاملبرآورد تغییرات سطح پوشش جنگل های رودسر با استفاده از روش های طبقه بندی شبکه عصبی مصنوعی و حداکثر احتمال
امروزه کسب آگاهی و دانش در رابطه با پوشش گیاهی نقش مهمی را در مدیریت خاکها ایفا میکند. بااین وجود برآورد پوشش گیاهی به روش معمولی که شامل برآورد کلی از پوشش گیاهی است هم زمانبر است و هم اطلاعات چندان دقیقی را به دست نمیدهد. از این رو سنجش از دور فنآوری بسیار مفیدی است که به دلیل کاهش زمان و هزینه، بر سایر روشها ارجحیت داده میشود. در این تحقیق سعی بر آن شد با استفاده از تکنیکهای سنجش از د...
متن کاملافزایش نرخ کارایی طبقه بندی با استفاده از تجمیع ویژگی های موثر روش های مختلف ترکیب شبکه های عصبی
Both theoretical and experimental studies have shown that combining accurate Neural Networks (NN) in the ensemble with negative error correlation greatly improves their generalization abilities. Negative Correlation Learning (NCL) and Mixture of Experts (ME), two popular combining methods, each employ different special error functions for the simultaneous training of NN experts to produce negat...
متن کاملطبقه بندی نظارت شده جوامع گیاهی شمشاد هیرکانی با استفاده از شبکه عصبی مصنوعی
در این پژوهش، کاربرد روش شبکه عصبی مصنوعی یا MLP در فرآیند تخصیص رلوه- گروهها/جوامعگیاهی با استفاده از پایگاه اطلاعاتی ترکیبگیاهی جنگلهای شمشاد هیرکانی (Buxus hyrcana Pojark.) ارزیابی شد. برای این منظور، نخست گروههای بومشناختی و جامعهشناختی شمشاد هیرکانی به ترتیب با استفاده از نتایج دو روش عددی TWINSPAN و تجربی براون-بلانکه تعیین شد. نتایج هر دو دارنگاره عددی و تجربی طبقهبندی مشتمل بر 7...
متن کاملطبقه بندی میزان تبخیر و تعرق پتانسیل با استفاده از شبکه های عصبی خودسازمانده (Self Organizing Map)
تبخیـر و تعـرق پتانـسیل نقش مهمی در مطالعات کشاورزی، طرحهای مدیریت منابع آب، طراحی شبکههـای آبیـاری و زهکشی و سازههای آبی دارد. با توجه به اهیمت این پارامتر در این مطالعه اقدام به طبقه بندی تبخیر و تعرق پتانسیل در جنوب استان فارس با استفاده از شبکههای عصبی خودسازمانده (SOM) شد. در این مطالعه دادههای 7 پارامتر حداقل، میانگین و حداکثر دما، ساعات آفتابی، سرعت باد، حداکثر ساعات آفتابی و رطوبت ن...
متن کاملطبقه بندی لندفرم ها با استفاده از شبکه های عصبی خودسازمانده(Self-organization map) (مطالعه موردی: حوضه آبخیز گاوخونی)
امروزه شناسایی لندفرمها و طبقهبندی زمین مبتنی بر روش کارشناسی می باشد که به صورت دستی و با استفاده از عکس های هوایی و نقشه های توپوگرافی انجام می شود که روشی وقت گیر و دارای دقت کمی می باشد. از این رو استفاده از روش های نیمه اتوماتیک و اتوماتیک به منظور طبقه بندی لندفرم ها برای افزایش دقت و سرعت کار، ضروری به نظر می رسد. این پژوهش سعی دارد که به طبقه بندی لندفرم ها بر اساس الگوریتم شبکه های...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی خواجه نصیرالدین طوسی
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023