فایل ورد کامل ردیابی توده ها در ماموگرامها با انطباق بر چگالی سینه با استفاده از الگوریتم ژنتیک ، درختهای فیلوژنتیک،LBP و SVM

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 ردیابی توده ها در ماموگرامها با انطباق بر چگالی سینه با استفاده از الگوریتم ژنتیک ، درختهای فیلوژنتیک،LBP و SVM،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۶۴ صفحه

سرطان سینه دومین نوع سرطان رایج در جهان است؛ و رایج ترین سرطان در میان زنان میباشد که متناسب با نرخ ۲۲% مورد جدید در سال میباشد. این کار یک روش شناسی جدید محاسباتی را ارائه میدهد؛ که به متخصصان در شناسایی توده های جرمی بر اساس چگالی سینه کمک کند. روش ارائه شده به مراحلی تقسیم میشود که هدف آن غلبه بر مشکلات مربوط به ردیابی توده ها است. هدف مرحله اول ردیابی نوع چگالی سینه است، که میتواند چگال یا غیر چگال باشد. ما یک الگوریتم انطباقی را پیشنهاد دادیم که قادر به انالیز و تصویر برداری و بیان اینکه سینه چگال یا غیر چگال است، میباشد. مرحله اول متشکل از بخش بندی نواحی است که مثل توده به نظر می آیند. ما یک استفاده جدید از الگوریتم میکرو ژنتیک را ارائه دادیم تا یک ماسک تقریبی بافت را بسازیم که بتواند نواحی ای که مشکوک به وجود زخم است را انتخاب کند. مرحله بعدی کاهش مثبتهای کاذب است؛ که در مرحله قبلی تولید شده اند. در انتها؛ ما دو رویکرد جدید را ارائه نمودیم. در اولین رویکرد، کاهش مثبتهای کاذب DBSCAN استفاده شده و رتبه بندی تقریبی بافتهای گرفته شده از ROIs.ها انجام میشود. در کاهش دومِ مثبتهای کاذب، نواحی حاصله بافت خود را دارند ؛ که با ترکیب درختهای فیلوژنتیک، الگوهای دوتایی موضعی و ماشینهای بردار پشتیبان (SVM). انالیز شده اند. الگوریتمهای میکروژنتیک برای انتخاب نواحی مشکوک مدلهای اموزشی را تولید میکنند و دسته بندی توده ها و غیر توده ها ی استفاده شده در SVM. را حداکثر میکنند. بهترین نتیجه در آنالیز سینه های غیر چگال؛ حساسیت ۹۲.۹۹% ؛ نرخ مثبت کاذب ۰.۱۵ در هر تصویر و ناحیه زیر منحنی FROC برابر با ۰.۹۶ ، و در آنالیز سینه چگال، حساسیت ۸۳.۷۰% % نرخ مثبت کاذب ۰.۱۹ در هر تصویر و ناحیه زیر منحنی FROC برابر با ۰.۸۵، را تولید میکند.

کلمات کلیدی: سرطان پستان | تشخیص به کمک کامپیوتر | الگوریتم میکرو ژنتیک | درخت فیلوژنتیک | الگوهای باینری محلی | ماشین بردار پشتیبان

عنوان انگلیسی:

Detection of masses in mammograms with adaption to breast density using genetic algorithm, phylogenetic trees, LBP and SVM

~~en~~ writers :

Wener Borges de Sampaio, Aristfanes Corrêa Silva, Anselmo Cardoso de Paiva, Marcelo Gattass

Breast cancer is the second commonest type of cancer in the world, and the commonest among women, corresponding to 22% of the new cases every year. This work presents a new computational methodology, which
helps the specialists in the detection of breast masses based on the breast density. The proposed methodology is divided into stages with the objective of overcoming several difficulties associated with the detection
of masses. In many of these stages, we brought contributions to the areas. The first stage is intended to detect
the type of density of the breast, which can be either dense or non-dense. We proposed an adaptive algorithm
capable of analyzing and image and telling if it is dense or non-dense. The first stage consists in the segmentation of the regions that look like masses. We propose a novel use of the micro-genetic algorithm to create a
texture proximity mask and select the regions suspect of containing lesions. The next stage is the reduction
of false positives, which were generated in the previous stage. To this end, we proposed two new approaches.
The first reduction of false positives used DBSCAN and a proximity ranking of the textures extracted from the
ROIs. In the second reduction of false positives, the resulting regions have their textures analyzed by the combination of Phylogenetic Trees, Local Binary Patterns and Support Vector Machines (SVM). A micro-genetic
algorithm was used to choose the suspect regions that generate the best training models and maximize the
classification of masses and non-masses used in the SVM. The best result produced a sensitivity of 92.99%, a
rate of 0.15 false positives per image and an area under the FROC curve of 0.96 in the analysis of the non-dense
breasts; and a sensitivity of 83.70%, a rate of 0.19 false positives per image and an area under the FROC curve
of 0.85, in the analysis of the dense breasts.

Keywords: Breast cancer | Computer-aided detection | Micro-genetic algorithm | Phylogenetic trees | Local binary patterns | Support vector machine

$$en!!