فایل ورد کامل یک روش تقسیم بندی سرعت بالا در تصاویر CT شکمی

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

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل یک روش تقسیم بندی سرعت بالا در تصاویر CT شکمی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۲ صفحه

۳نتایج تجربی
به منظور بیان مزیت های روش ما، ما روش مان را برای تصاویر پزشکی بکار بردیم. داده های تجربی از تصاویر CT شکمی حاصل می شوند که از یک ماشین CT 64برش بیمارستان جمع آوری شدند.
در الگوریتم در C++ اجرا می شود و محیط تجربی ویندوز اکس پی Pentium 4 CPU 3.0 GHz, 512 M می باشد. بر طبق دانش قبلی از کبد، ما یک مساحت خاص با سه برش را انتخاب می کنیم و مقدار میانگین خاکستری را محاسبه می کنیم که می تواند برای استاندارد برای مقدار میانگین خاکسنری تمام گروه استفاده شود. g در ۰۵ تنظیم می شود و n در ۵۰ تنظیم می شود. نتایج تقسیم بندی کبد در شکل ۴ نشان داده شده است. ما روش مان را با روش تقسیم بندی بر اساس روش تقسیم مجموعه و روش تقسیم بندی بر اساس مدل ماری GVF مقایسه می کنیم. چنانگه در جدول ۱ نشان داده شده است، مدل ما ۵۹ و ۱۰۷ برابر کارامدتر از روش تقسیم-بندی بر اساس روش تقسیم مجموعه و روش تقسیم بندی بر اساس مدل ماری GVF می باشد. ما همچنین می-توانیم نتیجه بگیریم که روش ما تشخیص زمان واقعی را در عبارتی از کارامدی محاسباتی برآورده می سازد.

عنوان انگلیسی:A High-speed Method for Liver Segmentation on Abdominal CT Image~~en~~

III. EXPERIMENTAL RESULTS

In order to explain the advantages of our method, we apply the method to medical images. Experimental data comes from abdominal CT images which are collected from a large hospital’s 64-slice CT machine (spacing between layer: 2.0 mm, spatial resolution: 512h512, image format: DICOM). The algorithm is implemented in C++ and experiment environment is Windows XP, Pentium 4 CPU 3.0 GHz, 512 M RAM. According to the prior knowledge of liver, we select a specific area in three slices, and calculate the average gray value which can be used to stand for the average gray value of the whole group. g is set at 0.5, and n is set at 50. The liver segmentation results are shown in Fig.4. We compare our method with the level set model based segmentation method and the GVF snake model based segmentation method. As shown in the Table 1, our method is about 59 and 107 times more efficient than the GVF snake model based segmentation method and the level set model based method. We can also draw the conclusion that our method can satisfy the real-time diagnosis in terms of computational efficiency.

$$en!!