ورود کاربران دانشگاهی
ثبت نام(مطالعه آنلاین پایان نامه ها)
کاربر مهمان
سپندا
پنجشنبه 9 فرودرین 1403
|
34.204.177.148
:Your IP
س
امانه
پ
ایان
ن
امه های
د
انشگاه
ا
صفهان (
سپندا
)
صفحه اول(جستجو)
مرور موضوعی
پرسش های متداول و راهنما
سامانه تطبیق پایان نامه با شیوه نامه
تماس با ما
(0)
عنوان :
تشخیص رسوبات ریز کلسیم، در تصاویر ماموگرافی به کمک پردازش تصویر
انتشارات :
دانشگاه اصفهان
سال :
1393
زبان :
Persian
شماره سند :
11936
موضوع :
مهندسی کامپیوتر هوش مصنوعی
پژوهشگر :
افضله حقانی
توصیفگر لاتین :
Micro calcium ? Wavelet theory ? Gabor ? Heart and vascular disease ? breast cancer ? Bays ? Support vector machine
توصیفگر فارسی :
ریزکلسیم ◄ نظریهی موجک ◄ گبور ◄ بیماری های قلبی و عروقی ◄ سرطان سینه ◄ بیز ◄ ماشین بردار پشتیبان
دانشکده :
دانشکده مهندسی کامپیوتر، هوش مصنوعی
مقطع :
کارشناسی ارشد
استاد راهنما :
احمدرضا نقش نیلچی
استاد مشاور :
سال دفاع :
1393
شماره رکورد :
11936
شماره راهنما :
COM2 311
فهرست :
فهرست مطالبعنوان صفحهفصل اول کلیات 11-1 مقدمه 11-2 آناتومی سینه 31-2-1 اجزای اصلی 31-2-1-1 خونرسانی به سینه 31-3 ماموگرافی 51-3-1 انواع ماموگرافی 51-3-1-1 ماموگرافی دیجیتال 51-3-1-2 تشخیص به کمک کامپیوتر 51-3-1-3 توموسنتز سینه 61-3-2 مراحل استفاده از ماموگرافی 61-3-2-1 غربالگری ماموگرافی 61-3-2-2 ماموگرافی تشخیصی 61-3-3 مزایا و معایب ماموگرافی 81-3-3-1 مزایای تصویربرداری 81-3-3-2 خطرات تصویربرداری 91-3-3-3 محدودیت های ماموگرافی 91-3-4 سرطان سینه 91-3-4-1 علائم سرطان سینه 101-3-4-1-1 غده 101-3-4-1-2 عدم تقارن 101-3-4-1-3 ریزکلسیم ها 101-3-4-1-4 ضخیم شدن پوست 111-3-4-2 بررسی ماموگرام 111-4 اهمیت انجام کار و چالش های مربوط به روش 121-5 اهداف تحقیق 131-6 جمع بندی 13فصل دوم مروری بر ادبیات مسئله 142-1 مقدمه 142-2 پایگاه دادهی ماموگرافی 142-2-1 تحلیل پایگاه داده MIAS 162-2-2 مشخصات موارد مشکوک سینه در تصاویر ماموگرافی 172-2-2-1 ریزکلسیم 17عنوان صفحه2-2-2-1-1 ریزکلسیم های خوشخیم 172-2-2-1-2 ریزکلسیمهای بدخیم 182-2-2-2 تودهها 182-3 پردازش تصاویر ماموگرافی 182-3-1 پیش پردازش 192-3-2 استخراج ویژگی 212-3-3 کلاسبندی 24فصل سوم پیش پردازش 273-1 بهبود تصویر 273-1-1 روش های مورد استفاده در بهبود تصاویر ماموگرام 283-1-1-1 هیستوگرام 293-1-1-2 روشهای حوزه مکان 293-1-1-2-1 پردازش نقطه ای 303-1-1-2-2 پردازش گروهی نقاط 303-1-1-3 مورفولوژی 313-1-1-3-1 فرسایش و گسترش 313-1-1-3-2 مؤلفههای همبند 323-1-1-4 روش های حوزه فرکانس 333-1-1-5 روش های حوزه موجک 35حذف نویز با استفاده از تبدیل موجک 393-1-1-6 انواع مختلف تابع حذف 403-1-1-6-1 روشهای انتخاب آستانه 413-1-1-7 روش مورد استفاده برای حذف نویز با استفاده از مبنای موجک بهینه 433-1-1-7-1 تشخیص رگها با استفاده از روش مبتنی بر موجک 45 فصل چهارم انتخاب نواحی مطلوب و استخراج ویژگی 524-1 مقدمه 524-1-1 نواحی مطلوب 524-2 استخراج ویژگی 544-2-1 قوانین انتخاب الگوریتم های استخراج ویژگی 544-2-1-1 تبدیل موجک جهت استخراج ویژگی 544-2-1-2 تبدیل موجک گسسته 554-2-1-3 گبور 594-2-1-4 ماتریس های هم رخداد 604-2-1-5 استخراج ویژگی برای الگوریتم های آماری 66فصل پنجم کلاسبندی و نتایج 67عنوان صفحه5-1 مقدمه 675-2 تئوری تصمیمگیری بیز 685-3 ماشین بردار پشتیبان 705-3-1 کاربردهای SVM 705-3-2 ایده اصلی SVM 715-4 طرز کار ماشین بردار پشتیبان خطی 715-5 معیار ارزیابی 735-6 نتایج و مقایسه با سایر روش ها 73فصل ششم نتیجه گیری و افق پیشرو 756-1 افق پیشرو 76 مراجع 78
چکیده :
چکیده سرطان سینه یکی از متداولترین سرطانها و یکی از عوامل مرگومیر در خانمهاست. دلایل روشنی وجود دارد که تشخیص به موقع، شانس و احتمال درمان را در بیماران مبتلا به سرطان سینه افزایش میدهد. گزارش های منتشره حاکی از تشخیص 30 الی 50 درصد این نوع سرطان در تصاویر ماموگرافی و 60 الی 80 درصد در معاینههای بافتشناسی است. ریزکلسیمها یکی از مهمترین انواع نشانههای شناختهشدهی سرطان سینه است. یافته¬های چند سال اخیر نشان می¬دهد که رگه¬های کلیسمی که در جداره¬های رگ رسوب میکند و اغلب بهصورت خطوط موازی درتصاویر ماموگرافی ظهور پیدا میکنند، نشان دهنده ابتلاء و یا قریب الوقوع بودن برخی بیماری های قلبی و عروقی جدی از جمله انسداد شریانی قلب، آمادگی بیمار برای حمله قلبی و حتی دیابت است که پیش از این، این رگه¬های کلسیمی به اشتباه علامت سرطان در نظر گرفته میشد و تنها هزینه و استرس برای بیمار در بر داشته است. هدف از این تحقیق حذف رگه¬های کلسیمی و تشخیص دقیق ریزکلسیمها از بافت نرمال و بافت های حاوی علائم کاذب، با استفاده از موجک و ماتریس هم رخداد و کلاسبندی آنها به کمک ماشین بردار پشتیبان است. تصاویر ماموگرافی بهکاررفته در این طرح از پایگاه داده جهانی MIAS دریافت شد و بعد از پیدا کردن رگها بهوسیلهی موجک و آستانه گذاری و حذف آنها، مراحل انتخاب نواحی مطلوب و استخراج ویژگی با استفاده از سه روش نظریه موجک، گبور، ماتریس هم رخداد انجام شد و به کمک کلاس¬بندهای بیز و ماشین بردار پشتیبان دستهبندی شدند. در نهایت بهترین نتایج با استفاده از ویژگی¬های استخراج شده از ماتریس هم رخداد و بکار گیری کلاس¬بند ماشین بردار پشتیبان حاصل شد و به نتایج صحت 6/84% و حساسیت 7/84% و اختصاصیت 4/84% رسیدیم و نشان دادیم که با استفاده از ماتریس هم رخداد می¬توان به نتایج قابل قبولی رسید. کلیدواژه: ریزکلسیمها- نظریهی موجک –گبور- بیماری¬های قلبی و عروقی-سرطان سینه -بیز-ماشین بردار پشتیبان.
چکیده انگلیسی :
Abstract Breast cancer is one of the most common cancers in women and is one of the causes of mortality. There is clear evidence that early detection increases the chance of cure in patients with metastatic breast cancer. Published reports indicate that 30 to 50 percent of this type of cancer detection in mammography images and histological examinations is 60 to 80 percent. Micro-calcification is one of the most well-known symptoms of breast cancer. Results of recent years shows that the veins calcium that deposits in the vessel walls, and often appears as parallel lines in the images of mammography,are signs of infection or serious cardiovascular diseases such as clogging of the arteries near the heart, patient's readiness for heart attack and even diabetes. Previously, calcified vessels were intended to confuse the symptoms of cancer and only has the cost and stress for the patient. The purpose of this study was to remove calcified vessels and accurate detection of micro calcium-containing tissue from normal tissue and stretch marks with using the co-occurrence matrix, wavelet and classification them with using support vector machine. Mammogram images that used in this project were received from the MIAS public database. After locating the vessel by wavelet and thresholding and removing them, selecting the region of interest and feature extraction using three different methods of wavelet theory, Gabor and co-occurrence matrices were performed and with using the Bayes and support vector machine classifiers were classified. Finally, the best results using features extracted from co-occurrence matrix and applying support vector machine classifier was obtained.And the results, accuracy of 84.6% and sensitivity of 84.7% and specificity of 84.4% and we have shown that the co-occurrence matrix can be used to achieve acceptable results. Keywords: Micro calcium- Wavelet theory- Gabor- Heart and vascular disease- breast cancer- Bays- Support vector machine.
کلید واژه ها :
ریزکلسیم ◄ نظریهی موجک ◄ گبور ◄ بیماری های قلبی و عروقی ◄ سرطان سینه ◄ بیز ◄ ماشین بردار پشتیبان,Micro calcium ◄ Wavelet theory ◄ Gabor ◄ Heart and vascular disease ◄ breast cancer ◄ Bays ◄ Support vector machine
شهریور1393
0
صفحه اول :
University of Isfahan Faculty of Computer Engineering Department of Artificial Intelligence M.Sc. Thesis Detection deposits of micro calciums in mammography images using image processing Supervisor: Dr AhmadReza Naghsh Nilchi By: Afzaleh Haghani
فصل اول :
1-13
فصل دوم :
14-26
فصل سوم :
27-51
فصل چهارم :
52-66
فصل پنجم :
67-74
فصل ششم :
75-84