تشخیص سرطان سینه -فنون پردازش تصویر

نوع فایل : word

تعداد صفحات : 7

تعداد کلمات : 1800

مجله : Advances in Interdisciplinary Engineering

انتشار : 2000

:

:

:

:

:

تاریخ انتشار
18 دسامبر 2019
دسته بندی
تعداد بازدیدها
871 بازدید
20,000 تومان

عنوان فارسی مقاله: تشخیص سرطان سینه با استفاده از فنون پردازش تصویر

 چکیده

 ما به توصیف استفاده از قطعه بندی تصویر با استفاده از مدل‌های فازی و طبقه بندی با الگوریتم نزدیک‌ترین همسایه‌ی K (Knn) برای کمک به تشخیص سرطان سینه در ماموگرام‌های دیجیتال می‌پردازیم(تشخیص سرطان سینه بااستفاده فنون پردازش). این تحقیق از تصاویر مربوط به دیتابیس دیجیتال برای غربال گری ماموگرافی (ddsm) استفاده می‌کند. ما نشان می‌دهیم که روش‌های نظارت شده و نظارت نشده‌ی قطعه بندی نظیر knn و c- مینز فازی (FCM)، در ماموگرام‌های دیجیتال، دارای خطای سوء طبقه بندی بالایی هستند به خصوص زمانی که تنها شدت به عنوان ویژگی متمایز کننده استفاده شود. افزودن میانگین و انحراف معیار به ویژگی موجب بهبود قطعه بندی تولید شده توسط قاعده‌ی knn می‌شود. اگرچه نتایج ما بسیار متقاعد کننده است، با این حال سایر روش‌ها برای تشخیص پاتولوژی‌های کوچک‌تر نظیر میکروکلسیفیکاسیون ها لازم هستند(تشخیص سرطان سینه بااستفاده فنون پردازش).

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

title: Breast cancer detection using image processing techniques

abstract

We describe the use of segmentation with fuzzy models and classification by the crisp k-nearest neighbor (k-nn) algorithm for assisting breast cancer detection in digital mammograms. Our research utilizes images from the digital database for screening mammography. We show that supervised and unsupervised methods of segmentation, such as k-nn and fuzzy c-means, in digital mammograms will have high misclassification rates when only intensity is used as the discriminating feature. Adding window means and standard deviations to the feature suite (visually) improves segmentation produced by the k-nn rule. While our results are encouraging, other methods are needed to detect smaller pathologies such as microcalcifications.
دیدگاهتان را بنویسید