دانلود مقاله و خرید ترجمه:ارزیابی Means-K و بخش بندی تصاویر IMR از مغز و فازی means-C
بلافاصله پس از پرداخت دانلود کنید

کارابرن عزیز، مقالات سایت ( همگی جزو مقالات isi می باشند) بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (حتی محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi مانند IEEE، Sciencedirect، Springer، Emerald و ... انتخاب گردیده اند.

آگهی چاپ مقاله isi
ورود اعضا
توجه توجه توجه !!!!
نرم افزار winrar
پیشنهادات ویژه
پیوندهای کاربردی
پیوندهای مرتبط
مقالات ترجمه شده منطق فازی
  • ارزیابی Means-K و بخش بندی تصاویر IMR از مغز و فازی means-C

    سال انتشار:

    2015


    ترجمه فارسی عنوان مقاله:

    ارزیابی Means-K و بخش بندی تصاویر IMR از مغز و فازی means-C


    عنوان انگلیسی مقاله:

    Evaluation of k-Means and fuzzy C-means segmentation on MR images of brain


    منبع:

    The Egyptian Journal of Radiology and Nuclear Medicine (2015) 46, 475–479


    چکیده انگلیسی:

    This paper does the qualitative comparison of Fuzzy C-means (FCM) and k-Means segmentation, with histogram guided initialization, on tumor edema complex MR images. The accuracy of any segmentation scheme depends on its ability to distinguish different tissue classes, separately. Hence, there is a serious pre-requisite to evaluate this ability before employing the segmentation scheme on medical images. This paper evaluates the ability of FCM and k-Means to segment Gray Matter (GM), White Matter (WM), Cerebro-Spinal Fluid (CSF), Necrotic Focus of Glioblastoma Multiforme (GBM) and the perifocal vasogenic edema from pre-processed T1 contrast axial plane MR images of tumor edema complex. The experiment reveals that FCM identifies the vasogenic edema and the white matter as a single tissue class and similarly gray matter and necrotic focus, also. k-Means is able to characterize these regions comparatively better than FCM. FCM identifies only three tissue classes whereas; k-Means identifies all the six classes. The experimental evaluation of k-Means and FCM, with histogram guided initialization is performed in Matlab.
    KEYWORDS: Glioblastoma multiforme | Necrotic focus | Vasogenic edema | Bilateral filter | Contrast limited adaptive | histogram equilization


    چکیده فارسی:

    این مقاله کیفیت فازی means-C و بخش بندی Means-K مقایسه می کند ، و تصاویرIMR پیچیده از تومور مغزراباهیستوگرام اولیه مشخص میکند.دقت دربخش بندی به طورجداگانه بستگی به توانایی دکتربرای تشخیص طبقات مختلف بافت دارد . از این رو ، یک پیش نیاز جدی برای ارزیابی توانایی قبل ازبخش بندی تصاویرپزشکی وجود دارد . این مقاله توانایی FCM و Means-K بخش بندی خاکستری ماده(GM) ،ماده سفید(WM)،مایع مغزی-نخاعی (CSF) ، نکروزی گلیوبلاستمامولتی (GBM) ،ورم ازوژنیک،کنتراست1Tکه محورهم سطح تصاویر ورم MR تومور است را ارزیابی می کند . آزمایش نشان می دهدکهFCMازوژنیک وماده سفیدبه عنوان یک بافت و ماده به طور مشابه به رنگ خاکستری و نکروتیک شناسایی می شوند Means-Kقادربه تشخیص مناطق است که نسبت به FCM بهتر تشخیص می دهد . FCM تنها 3 بافت را شناسایی می کند در حالی که ، Means-K تمام 6 بافت را شناسایی می کند . ارزیابی تجربی Means-K و FCM ، با هیستوگرام در نرم افزار متلب انجام می شود .
    کلید واژه ها: مولتی گلیوبلاستوما | تمرکز نکروتیک | ادم وازوژنیک | فیلتر دو طرفه | کنتراست تطبیقی محدود | برابری هیستوگرام


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 5
    تعداد صفحات فایل doc فارسی: 14

    حجم فایل: 2298 کیلوبایت


    قیمت: 15000 تومان  13500 تومان(10% تخفیف)


    توضیحات اضافی:




تعداد نظرات : 0

الزامی
الزامی
الزامی
منطق-فازی
موضوعات