فهرست مطالب a.r. shakibafard

انتخاب همه

تشخیص خودکار ندول های ریوی با استفاده از آنتروپی فازی-تیسالیس و ماشین بردار پشتیبان

عاطفه قنبری، علی محمد لطیف*، مهدی رضاییان، علیرضا شکیبا فرد

نشریه مهندسی برق، سال پنجاهم شماره 4 (پیاپی 94، زمستان 1399)، صص 1757 -1771

ندول های ریوی بافت اولیه سرطان ریه هستند. طراحی سیستم تشخیص به کمک کامپیوتر می تواند جهت بالا بردن دقت متخصص در زمینه ی تشخیص و توصیف این بافت به کار رود. در سال های اخیر پژوهش هایی در این زمینه صورت گرفته با این حال سیستم های CAD کنونی با حساسیت کم دارای مثبت کاذب بالایی هستند. بنابراین هدف اصلی این پژوهش توسعه ی سیستم CAD ای است که قادر باشد مکان اکثر ندول ها را تا جایی که امکان دارد تشخیص دهد و در کنار این امر تعداد مثبت کاذب آن کم باشد. قطعه بندی تصویر ریه و تشخیص ندول گام های اصلی این پژوهش هستند. در گام قطعه بندی، ترکیب روش های آنتروپی فازی-تیسالیس و آستانه گذاری مورد استفاده قرار می گیرند. در مرحله تشخیص ندول، ویژگی های شدت روشنایی و هندسی ندول استخراج می شوند و نواحی مشکوک با کمک ماشین بردار پشتیبان مشخص می گردد. استفاده از ویژگی های شدت روشنایی باعث افزایش حساسیت می شود درحالی که به کارگیری ویژگی های هندسی باعث کاهش مثبت کاذب می شود. به منظور ارزیابی روش پیشنهادی، از تصاویر مجموعه داده های LIDC و تابا استفاده شده است. حساسیت طبقه بندی حاصل 92% به دست آمده است. نتایج به دست آمده در مقایسه با نتایج گزارش شده توسط سایر مقاله ها، مفید بودن این پژوهش را نشان می دهد.

کلید واژگان: ندول ریوی, قطعه بندی, آستانه گذاری, ماشین بردار پشتیبان}

چکیده مشاهده متن مقاله پژوهشی/اصیل زبان: فارسی

Lung Nodule Detection Using Fuzzy-Tsallis Entropy and SVM

A. Ghanbari, A.M . Latif *, M. Rezaeian, A. R. Shakibafard

Journal of Electrical Engineering, Volume:50 Issue: 4, 2021, PP 1757 -1771

Lung nodules are the primary tissue of lung cancer. Designing a computer-aided diagnosis system can be used in order to enhance the accuracy of the radiologist in the detection and description of these tissues. The aim of this study is to provide an approach to detection of lung nodules on CT scan images. This study was conducted in two main stages of nodule segmentation and detection. In the segmentation stage, combination procedures such as Fuzzy-Tsallis entropy and thresholding were used. In the nodule detection stage, intensity and geometric features are extracted and suspicious areas are determined by support vector machine. Using intensity features causes increasing true positive rate while using geometrical features causes decreasing false positive rate. To evaluate the proposed method, images of LIDC and Taba datasets were used. Classification sensitivity is 92%. The obtained results comparing to those reported by other articles, indicate the usefulness of the research.

Keywords: Lung nodule, segmentation, as Fuzzy-Tsallis Entropy, thresholding, Support Vector Machine}

Abstract View Paper Research/Original Article Original: Persian

بدانید!

در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.

به جمع مشترکان مگیران بپیوندید!

فهرست مطالب a.r. shakibafard