یک چارچوب متوالی برای دسته بندی تومور مغزی
ترجمه شده

یک چارچوب متوالی برای دسته بندی تومور مغزی

عنوان فارسی مقاله: یک چارچوب متوالی برای دسته بندی تومور مغزی: CNNN-LSTM
عنوان انگلیسی مقاله: CNN-LSTM: Cascaded Framework For Brain Tumour Classification
مجله/کنفرانس: کنفرانس IEEE-EMBS در زمینه مهندسی و علوم زیست پزشکی - IEEE-EMBS Conference on Biomedical Engineering and Sciences
رشته های تحصیلی مرتبط: پزشکی
گرایش های تحصیلی مرتبط: ایمنی شناسی پزشکی، خون و آنکولوژی
کلمات کلیدی فارسی: گلیما، شبکه‌های عصبی پیچشی (CNN)، دسته‌بندی، LSTM، VGG-16
کلمات کلیدی انگلیسی: Glioma - CNNs - classification - LSTM - VGG-16
شناسه دیجیتال (DOI): https://doi.org/10.1109/IECBES.2018.8626704
دانشگاه: گروه مهندسی برق و الکترونیک، دانشگاه فناوری PETRONAS ، مالزی
صفحات مقاله انگلیسی: 5
صفحات مقاله فارسی: 12
ناشر: آی تریپل ای - IEEE
نوع ارائه مقاله: کنفرانس
نوع مقاله: ISI
سال انتشار مقاله: 2018
ترجمه شده از: انگلیسی به فارسی
فرمت مقاله انگلیسی: pdf و ورد تایپ شده با قابلیت ویرایش
وضعیت ترجمه: ترجمه شده و آماده دانلود
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
مقاله بیس: خیر
مدل مفهومی: ندارد
کد محصول: 10959
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
پرسشنامه: ندارد
متغیر: ندارد
درج شدن منابع داخل متن در ترجمه: بله
ترجمه شدن توضیحات زیر تصاویر و جداول: خیر
ترجمه شدن متون داخل تصاویر و جداول: خیر
رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است
نمونه ترجمه فارسی مقاله

چکیده

گلیما یکی از رایج‌ترین تومور‌های مغزی در بزرگسالان است که از سلول‌های گلیا  نشات (سرچشمه) می‌گیرد. علیرغم پیشرفت‌های موجود در حوزه تحقیقاتی گلیما و آنالیز تصاویر پزشکی، مسئله عیب‌یابی دقیق، یکی از چالش‌های موجود است. در حالت کلی می‌توان گلیما را به دو دسته‌ی درجه بالا  و درجه پایین ، تقسیم‌بندی می‌شود. دسته‌بندی دقیق گلیما به ارزیابی میزان پیشرفت بیماری و انتخاب استراتژی درمان،‌ کمک می‌کند. علیرغم اینکه دسته‌بندی تصاویر پزشکی با استفاده از شبکه‌های عصبی پیچشی  توانسته است به موفقیت‌های قابل ملاحظه‌ای دست یابد،‌ اما همچنان استفاده از این شبکه‌ها برای دسته‌بندی تصاویر سه بعدی (3D) یکی از کارهای دشوار می‌باشد. یکی از محدودیت‌های اصلی این شبکه‌ها، سختی بهینه‌سازی دستبه‌بندی حجمی سه بعدی در شبکه‌های CNN است. ما در این تحقیق،‌ با معرفی یک ساختار متوالی که از توالی شبکه  CNN و شبکه حافظه بلند‌مدت   حاصل گردیده است، این چالش را برای دسته‌بندی تصاویر MR تومور مغزی (دسته‌بندی به دو دسته‌ی LG و HG) مورد ملاحظه قرار داده‌ایم.  ویژگی‌ها با استفاده از VGG-16  پیش آموزش داده شده، استخراج شده و به یک شبکه  LSTM  داده می‌شود تا برای دسته‌بندی تصاویر گلیما به دو دسته HG و LG، ویژگی‌های سطح بالا استخراج گردد. نتایج نشان داد که استخراج ویژگی‌ها با استفاده از VGG-16 در مقایسه با ویژگی‌های استخراج شده توسط شبکه الکس  و شبکه رست ، دارای عکلکرد بهتری است.

I) مقدمه

رشد بیش از حد  سلول‌های مغزی،‌باعث ایجاد توده‌ای می‌شود که این توده‌ای می‌شود که این توده بر روی ساختار‌‌های طبیعی موجود در مغز فشار ایجاد می‌کند. این توده غیرنرمال، به سرعت رشد کرده و یک توده از سلول‌های غیرنرمال ایجاد می‌کند که این توده، تومور نامیده می‌شود. تومور‌های مغزی از نظر اندازه و سایز و میزان وخیم بودن، ‌با  یکدیگر تفاوت دارند. ذات این تومور‌ها ناهمگن است یعنی ممکن است در هر جایی از سیستم عصبی مرکزی  ایجاد شوند و چگالی تصویر در آن ها با یکدیگر متفاوت است. بیشتری تومور‌های مغزی در بزرگسالان،‌ تومور گلیماس است. رشد بیش ازحد سلول‌های گلیا  در مغز که نورون‌ها را احاطه کرده اند، ‌منجر به ایجاد گلیماس می‌شود [1]. 

V) نتیجه‌گیری و کار‌های پیش‌ رو

در این تحقیق برای دسته‌بندی تومور مغزی به دو دسته درجه بالا و درجه پایین، یک مدل از توالی سیستم‌های CNN و LSTM پیشنهاد دادیم. نتایج شبیه‌سازی‌ها بر روی ساختار‌های ممتاز از CNN نشان داد که مدل VGG-16   با استفاده از استخراج ویژگی‌های سطح بالا، بهترین عملکرد را داشته و موجب می‌شود که LSTM بتواند بین  دو نوع گلیما (گلیما با درجه بالا و گلیما بادرجه پایین) به خوبی  تمایز قائل شود. مزیت دیگر این روش این است که بر روی داده‌های سه بعدی، به طور مقاوم عمل می‌کند (یعنی حساسیت آن نسبت به داده‌های سه بعدی، اندک است). در ادامه، این تحقیق را برای عمل بخش‌بندی تعمیم خواهیم داد و مدلی را طراحی خواهیم کرد که بتواند با تعداد محدودی از داده های آموزش، برچسب پیکسل‌ها را پیش‌بینی کند.

نمونه متن انگلیسی مقاله

Abstract 

Glioma is common type of brain tumour in adults originating from glia cell. Despite advances in medical image analysis and gliomas research, accuarte diagnosis remains a challenge. Gliomas can be in general classifed into High Grade (HG) and Low Grade (LG). The exact classification of glioma helps in evaluating the disease progression and selection of the treatment strategy. Whilst medical image classification using a Convolutional Neural Networks (CNNs) has achieved remarkable success, but it is still difficult task for CNNs to accurately classify 3D medical images. One of the major limitation is the fact that CNNs are difficult to optimize in 3D volumetric classification. In current work, we addressed this challenge by introducing a cascade of CNN with Long Short Term Memory (LSTM) Network for classification of 3D brain tumor MR images into HG and LG glioma. Features from pre-trained VGG-16 were extracted and fed into LSTM network for learning high-level feature representations to classify the 3D brain tumour volumes into HG and LG glioma. The results showed that the features extracted from VGG-16 gave better classification accuracy as compared to the features extracted from AlexNet and ResNet.

I. INTRODUCTION

Abnormal growth of cells in the brain results in a mass, which pushes on the normal structures in the brain. This abnormal mass grows quickly and creates a mass of abnormal cells called a tumour. Brain tumours vary in shape, size and severity level. They are heterogeneous in nature i.e. they can occur anywhere in the Central Nervous System (CNS) and have different Image Intensities. The most frequent brain tumours in adults are gliomas. The abnormal growth of the glial cell in the brain that surrounds the neurons results in the formation of gliomas[1].

V. CONCLUSION & FUTURE WORK

In this work, we have proposed a cascaded CNNLSTM model for volumetric classification of a brain tumour into High Grade and Low Grade glioma. Experimental results on the state of the art CNN architectures have shown that the VGG-16 model performs the best by extracting the high-level feature representations and thus enables the LSTM to effectively discriminate between HG and LG glioma. Another advantage of this method is that it is able to perform robustly on high dimensional 3D data. In future, we will extend this work for segmentation task by designing a model that can accurately predict the pixel labels for a brain tumour with a limited amount of training data.

تصویری از فایل ترجمه

          

(جهت بزرگ نمایی روی عکس کلیک نمایید)

ترجمه فارسی فهرست مطالب

چکیده

I) مقدمه

II) مرور کارهای پیشین

III) مواد و روش‌ها

الف) VGG-16 برای استخراج ویژگی:

ب‌) LSTM برای دسته‌بندی

ج‌) طراحی شبکه و دیتاست

IV) نتایج و بحث

V) نتیجه‌گیری و کار‌های پیش‌ رو

فهرست انگلیسی مطالب

Abstract

I. INTRODUCTION

II. RELATED WORK

III. MATERIALS & METHODS

A. VGG-16 for feature extraction

B. LSTM for classification

C. Network design and Dataset:

IV. RESULTS & DISCUSSION

V. CONCLUSION & FUTURE WORK

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- اصل مقاله انگلیسی با فرمت ورد (word) با قابلیت ویرایش
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۳۰,۳۰۰ تومان
خرید محصول