شبکه های عصبی پیچشی نیروی دوگانه برای تقسیم بندی دقیق تومور مغزی
ترجمه شده

شبکه های عصبی پیچشی نیروی دوگانه برای تقسیم بندی دقیق تومور مغزی

عنوان فارسی مقاله: شبکه های عصبی پیچشی نیروی دوگانه برای تقسیم بندی دقیق تومور مغزی
عنوان انگلیسی مقاله: Dual-force convolutional neural networks for accurate brain tumor segmentation
مجله/کنفرانس: الگو شناسی - Pattern Recognition
رشته های تحصیلی مرتبط: مهندسی پزشکی و پزشکی
گرایش های تحصیلی مرتبط: مغز و اعصاب، سایبرنتیک، پردازش تصاویر پزشکی
کلمات کلیدی فارسی: تقسیم‌بندی تومور مغزی، شبکه نیروی دوگانه، شبکه عصبی پیچشی، توزیع برچسب، پس از پردازش
کلمات کلیدی انگلیسی: Brain tumor segmentation - Dual-force network - Convolutional neural network - Label distribution - Post-processing
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: scopus - master journals - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.patcog.2018.11.009
ناشر: الزویر - Elsevier
نوع مقاله: ISI
ایمپکت فاکتور: 9.559 در سال 2019
شاخص H_index: 195 در سال 2020
شاخص SJR: 2.323 در سال 2019
شناسه ISSN: 0031-3203
شاخص Quartile (چارک): Q1 در سال 2019
صفحات مقاله انگلیسی: 11
صفحات ترجمه فارسی: 28 (1 صفحه رفرنس انگلیسی)
فرمت مقاله انگلیسی: pdf
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
ترجمه شده از: انگلیسی به فارسی
وضعیت ترجمه: ترجمه شده و آماده دانلود
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا منابع داخل متن درج یا ترجمه شده است: بله
آیا توضیحات زیر تصاویر و جداول ترجمه شده است: بله
آیا متون داخل تصاویر و جداول ترجمه شده است: بله
کد محصول: 11572
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است
ترجمه فارسی فهرست مطالب

چکیده 


1. پیشگفتار


2. کارهای مربوطه


2.1. معماری‌های CNN


2.2. روش‌های پس از پردازش


3. شبکه‌های نیروی دوگانه


3.1. مرور مختصری از خطوط پایه


3.2. DeepMedic چند سطحی


3.3. شبکه‌های نیروی دوگانه


3.4. تابع زیان مبتنی بر توزیع برچسب


3.5. پس از پردازش


4. آزمایش‌ها


4.1. مجموعه داده‌ها


4.2. جزئیات پیاده‌سازی


4.3. معیارهای ارزیابی


4.4. مقایسه عملکرد بین DeepMedic و MLDeepMedic


4.5. اثربخشی روش پس از پردازش مبتنی بر DFN و MLP


4.6. مقایسه با پیشرفته‌ترین روش‌ها


4.7. تجزیه و تحلیل پیچیدگی


5. نتیجه‌گیری

فهرست انگلیسی مطالب

Abstract


1. Introduction


2. Related works


2.1. CNN architectures


2.2. Post-processing methods


3. Dual-force networks


3.1. Brief review of the baselines


3.2. Multi-level deepmedic


3.3. Dual-force networks


3.4. Label distribution-based loss function


3.5. Post-processing


4. Experiments


4.1. Datasets


4.2. Implementation details


4.3. Evaluation criteria


4.4. Performance comparison between DeepMedic and MLDeepMedic


4.5. Effectiveness of DFN and MLP-based post-processing method


4.6. Comparison with state-of-the-art methods


4.7. Complexity analysis


5. Conclusion

نمونه ترجمه فارسی مقاله

چکیده 


 تقسیم‌بندی تومور مغزی از اسکن‌های تصویربرداری رزونانس مغناطیسی، برای هر دوی تشخیص و درمان سرطان مغزی، حیاتی است. به طور گسترده‌ای پذیرفته شده است که تقسیم‌بندی دقیق بستگی به اطلاعات چند-سطحی دارد. با این حال، معماری‌های عمیق موجود برای تقسیم‌بندی تومور مغزی موفق به تشویق صریح مدل‌ها به یادگیری ویژگی‌های سلسله مراتبی با کیفیت بالا نمی‌شوند. در این مقاله، مجموعه‌ای از رویکردها را برای افزایش کیفیت ویژگی‌های سلسله مراتبی شناخته شده ارائه می‌دهیم. نقش ما ادغام چهار جنبه است. اولا، به منظور استفاده از اطلاعات چند-سطحی برای تقسیم‌بندی دقیق‌تر، مدل محبوب DeepMedic را به Multi-Level DeepMedic توسعه می‌دهیم. دوما، طرحواره آموزشی نیروی دوگانه جدیدی را برای ارتقاء کیفیت ویژگی‌های چند-سطحی آموخته شده از مدل‌های عمیق ارائه می‌دهیم. این طرحواره، طرح آموزشی کلی است و می‌توان آن را در بسیاری از معماری‌های موجود، از قبیل DeepMedic و U-Net اعمال کرد. سوما، یک تابع زیان مبتنی بر توزیع برچسب را به عنوان رده‌بندی کننده کمکی برای تشویق لایه‌های سطح بالای مدل‌های عمیق به یادگیری اطلاعات انتزاعی‌تر طراحی می‌کنیم. در نهایت، یک رویکرد جدید پس از پردازش مبتنی بر ادراک چند-لایه‌ای  را برای اصلاح نتایج پیش‌بینی مدل‌های عمیق پیشنهاد می‌دهیم. آزمایش‌های گسترده‌ای روی دو مورد از جدیدترین مجموعه داده‌های تقسیم‌بندی تومور مغزی، یعنی، BRATS 2017 و BRATS 2015، انجام شده است. نتایج مربوط به این دو مجموعه داده نشان می‌دهند که رویکردهای ارائه شده به طور مداوم عملکرد تقسیم‌بندی دو مدل عمیق محبوب را ارتقا می‌بخشند. 


5. نتیجه‌گیری


تقسیم‌بندی دقیق تومور مغزی بستگی به اطلاعات چند سطحی دارد. با این حال، مدل‌های عمیق موجود به طور صریح کیفیت ویژگی‌های سلسله مراتبی آموخته شده را تضمین نمی‌کنند. در این مقاله، یک استراتژی آموزشی نیروی دوگانه را برای تشویق صریح مدل‌های عمیق به یادگیری ویژگی‌های چند سطحی با کیفیت بالا ارائه می‌دهیم. این امر به وسیله یک تابع زیان مبتنی بر توزیع برچسب برای یادگیری اطلاعات معنایی انتزاعی و یک تابع زیان softmax برای تقسیم‌بندی با استفاده از ویژگی‌های چند سطحی تحقق می‌یابد. استراتژی آموزشی نیروی دوگانه را می‌توان در بسیاری از شبکه‌های محبوب از قبیل Deep-Medic و U-Net اعمال کرد. اِعمال استراتژی ارائه شده در مدل‌های عمیق تنها به طور جزئی پیچیدگی زمانی و فضایی را در حین آموزش افزایش می‌دهد. علاوه‌براین، همچنین یک روش پس از پردازش مبتنی بر MLP را ارائه می‌دهیم که می‌تواند به طور خودکار قوانین پردازش را از داده‌ها، به جای خلاصه‌سازی دستی، یاد بگیرد. آزمایش‌های گسترده روی دو مورد از جدیدترین پایگاه‌های داده تقسیم‌بندی تومور مغزی، کارایی و اثربخشی رویکردهای ارائه شده را تایید می‌کنند. یکی از کمبودهای روش پس از پردازش مبتنی بر MLP این است که فرایند آموزشی آن جدای از فرایند آموزشی DFN است؛ بنابراین، چارچوب کلی کاملا انتها-به-انتها نیست. در آینده، قابلیت تقسیم‌بندی معماری تقسیم‌بندی را بهبود خواهیم بخشید به طوری که بتوان از مرحله پیش پردازش جداگانه جهش کرد. 

نمونه متن انگلیسی مقاله

Abstract


Brain tumor segmentation from Magnetic Resonance Imaging scans is vital for both the diagnosis and treatment of brain cancers. It is widely accepted that accurate segmentation depends on multi-level information. However, exiting deep architectures for brain tumor segmentation fail to explicitly encourage the models to learn high-quality hierarchical features. In this paper, we propose a series of approaches to enhance the quality of the learnt hierarchical features. Our contributions incorporate four aspects. First, we extend the popular DeepMedic model to Multi-Level DeepMedic to make use of multi-level information for more accurate segmentation. Second, we propose a novel dual-force training scheme to promote the quality of multi-level features learnt from deep models. It is a general training scheme and can be applied to many exiting architectures, e.g., DeepMedic and U-Net. Third, we design a label distribution-based loss function as an auxiliary classifier to encourage the high-level layers of deep models to learn more abstract information. Finally, we propose a novel Multi-Layer Perceptron-based post-processing approach to refine the prediction results of deep models. Extensive experiments are conducted on two most recent brain tumor segmentation datasets, i.e., BRATS 2017 and BRATS 2015 datasets. Results on the two databases indicate that the proposed approaches consistently promote the segmentation performance of the two popular deep models.


5. Conclusion


Accurate brain tumor segmentation depends on multi-level information. However, existing deep models do not explicitly guarantee the quality of the learnt hierarchical features. In this paper, we propose a dual-force training strategy to explicitly encourage deep models to learn high-quality multi-level features. This is realized by a label distribution-based loss function to learn the abstract semantic information and a softmax loss function for segmentation using multi-level features. The dual-force training strategy can be applied to many popular networks, e.g., DeepMedic and U-Net. Applying the proposed strategy to deep models only slightly increases the time and space complexity while training. Besides, we also propose an MLP-based post-processing method that can automatically learn post-processing rules from data rather than manual summarization. Extensive experiments on two most recent brain tumor segmentation databases justify the efficiency and effectiveness of the proposed approaches. One shortage of the MLP-based post processing method is that its training process is separated from that of DFN; therefore, the entire framework is not completely end-to-end. In the future, we will further enhance the segmentation capability of the deep architecture, so that a separate post-processing stage can be skipped.

تصویری از فایل ترجمه

          


(جهت بزرگ نمایی روی عکس کلیک نمایید)

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- 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: ۴۴,۷۰۰ تومان
خرید محصول
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

شبکه های عصبی پیچشی نیروی دوگانه برای تقسیم بندی دقیق تومور مغزی
مشاهده خریدهای قبلی
نوشته های مرتبط
مقالات جدید
پیوندها