تشخیص سرطان پستان با استفاده از ویژگی احتمالی بافت براساس MRF و طبقه بندی مبتنی بر هماهنگی در تصمیم گیری با استفاده از HMM در تصاویر ترموگرافی
فایل انگلیسی با تعداد 7000 لغت در 30 صفحه pdf
فایل ترجمه با تعداد 7836 لغت در 25 صفحه فارسی فونت 14 b-nazanin
چکیده
سرطان پستان یکی از دلایل اصلی مرگ زنان در دهه ی گذشته است. حرارت سنجی یک روش تصویربرداری پستان است که می تواند توده های سرطانی را بسیار سریع تر از تکنولوژی ماموگرافی معمول تشخیص دهد. در این مقاله، یک الگوریتم تشخیص سرطان پستان مبتنی بر تحلیل نامتقارن به عنوان تصمیم گیری اولیه و همبستگی در سطح تصمیم گیری با استفاده از مدل مخفی مارکوف (HMM) پیشنهاد شده است. در این ساختار تصمیم گیری، با استفاده از تصمیم های اولیه ی حاصل از ویژگی های استخراج شده از پستان های چپ و راست و همچنین آنالیز نامتقارن، تصمیم نهایی توسط یک کاربرد جدید از HMM تعیین می شود. برای این منظور، یک ویژگی بافت جدید مبتنی بر مدل میدانی تصادفی مارکوف (MRF) وجود دارد که دارای ویژگی بافت احتمالی مبتنی بر MRF می باشد و یکی دیگر از ویژگی های بافت بر اساس یک طرح جدید در الگوی جفتی موضعی (LBP) تصاویر، استخراج می شود. در ویژگی بافت احتمالی مبتنی بر MRF، ما سعی می کنیم اطلاعات مرتبط با بافت پستان را با استفاده از تعریف مناسب از سیستم و گروه مجاور و نیز تعیین توابع بالقوه ی جدید استخراج کنیم. در نهایت، الگوریتم احتمالی ما برای تشخیص سرطان پستان، بر روی مجموعه داده های مختلفی از تصاویر ( حرارت سنجی) ترموگرافی و نرخ منفی کاذب 8.3٪ و نرخ مثبت کاذب 5٪ بر روی داده های مربوط به تصویر تست به دست می آید.
کلمات کلیدی– سرطان پستان، الگوی جفتی موضعی، ویژگی بافت احتمالی مبتنی بر MRF، مدل پنهانی مارکوف، هماهنگی در سطح تصمیم گیری.
Abstract
Breast cancer is one of the major causes of death for women in the last decade. Thermography is a
breast imaging technique that can detect cancerous masses much faster than the conventional
mammography technology. In this paper, a breast cancer detection algorithm based on asymmetric
analysis as primitive decision and decision-level fusion by using Hidden Markov Model (HMM) is
proposed. In this decision structure, by using primitive decisions obtained from extracted features
from left and right breasts and also asymmetric analysis, final decision is determined by a new
application of HMM. For this purpose, a novel texture feature based on Markov Random Field
(MRF) model that is named MRF-based probable texture feature and another texture feature based
on a new scheme in Local Binary Pattern (LBP) of the images are extracted. In the MRF-based
probable texture feature, we try to capture breast texture information by using proper definition of
neighborhood system and clique and also determination of new potential functions. Ultimately, our
proposed breast cancer detection algorithm is evaluated on a variety dataset of thermography
images and false negative rate of 8.3% and false positive rate of 5% are obtained on test image
dataset.
Keywords – Breast cancer, local binary pattern, MRF-based probable texture feature, hidden
Markov model, decision-level fusion.
کد: hamii71-11
دانلود رایگان مقاله انگلیسی
دانلود مقاله دات کام 
توضیحات محصول
تشخیص سرطان پستان با استفاده از ویژگی احتمالی بافت براساس MRF و طبقه بندی مبتنی بر هماهنگی در تصمیم گیری با استفاده از HMM در تصاویر ترموگرافی
فایل انگلیسی با تعداد 7000 لغت در 30 صفحه pdf
فایل ترجمه با تعداد 7836 لغت در 25 صفحه فارسی فونت 14 b-nazanin
چکیده
سرطان پستان یکی از دلایل اصلی مرگ زنان در دهه ی گذشته است. حرارت سنجی یک روش تصویربرداری پستان است که می تواند توده های سرطانی را بسیار سریع تر از تکنولوژی ماموگرافی معمول تشخیص دهد. در این مقاله، یک الگوریتم تشخیص سرطان پستان مبتنی بر تحلیل نامتقارن به عنوان تصمیم گیری اولیه و همبستگی در سطح تصمیم گیری با استفاده از مدل مخفی مارکوف (HMM) پیشنهاد شده است. در این ساختار تصمیم گیری، با استفاده از تصمیم های اولیه ی حاصل از ویژگی های استخراج شده از پستان های چپ و راست و همچنین آنالیز نامتقارن، تصمیم نهایی توسط یک کاربرد جدید از HMM تعیین می شود. برای این منظور، یک ویژگی بافت جدید مبتنی بر مدل میدانی تصادفی مارکوف (MRF) وجود دارد که دارای ویژگی بافت احتمالی مبتنی بر MRF می باشد و یکی دیگر از ویژگی های بافت بر اساس یک طرح جدید در الگوی جفتی موضعی (LBP) تصاویر، استخراج می شود. در ویژگی بافت احتمالی مبتنی بر MRF، ما سعی می کنیم اطلاعات مرتبط با بافت پستان را با استفاده از تعریف مناسب از سیستم و گروه مجاور و نیز تعیین توابع بالقوه ی جدید استخراج کنیم. در نهایت، الگوریتم احتمالی ما برای تشخیص سرطان پستان، بر روی مجموعه داده های مختلفی از تصاویر ( حرارت سنجی) ترموگرافی و نرخ منفی کاذب 8.3٪ و نرخ مثبت کاذب 5٪ بر روی داده های مربوط به تصویر تست به دست می آید.
کلمات کلیدی– سرطان پستان، الگوی جفتی موضعی، ویژگی بافت احتمالی مبتنی بر MRF، مدل پنهانی مارکوف، هماهنگی در سطح تصمیم گیری.
Abstract
Breast cancer is one of the major causes of death for women in the last decade. Thermography is a
breast imaging technique that can detect cancerous masses much faster than the conventional
mammography technology. In this paper, a breast cancer detection algorithm based on asymmetric
analysis as primitive decision and decision-level fusion by using Hidden Markov Model (HMM) is
proposed. In this decision structure, by using primitive decisions obtained from extracted features
from left and right breasts and also asymmetric analysis, final decision is determined by a new
application of HMM. For this purpose, a novel texture feature based on Markov Random Field
(MRF) model that is named MRF-based probable texture feature and another texture feature based
on a new scheme in Local Binary Pattern (LBP) of the images are extracted. In the MRF-based
probable texture feature, we try to capture breast texture information by using proper definition of
neighborhood system and clique and also determination of new potential functions. Ultimately, our
proposed breast cancer detection algorithm is evaluated on a variety dataset of thermography
images and false negative rate of 8.3% and false positive rate of 5% are obtained on test image
dataset.
Keywords – Breast cancer, local binary pattern, MRF-based probable texture feature, hidden
Markov model, decision-level fusion.
کد: hamii71-11
دانلود رایگان مقاله انگلیسی