ویژگی های توجه عمیق برای تقسیم پروستات در سونوگرافی
ترجمه شده

ویژگی های توجه عمیق برای تقسیم پروستات در سونوگرافی

عنوان فارسی مقاله: ویژگی های توجه عمیق برای تقسیم پروستات در سونوگرافی
عنوان انگلیسی مقاله: Deep Attentional Features for Prostate Segmentation in Ultrasound
مجله/کنفرانس: کنفرانس بین المللی محاسبات تصویر پزشکی و مداخله به کمک رایانه - International Conference on Medical Image Computing and Computer-Assisted Intervention
رشته های تحصیلی مرتبط: پزشکی، مهندسی پزشکی
گرایش های تحصیلی مرتبط: ایمنی شناسی پزشکی، خون و آنکولوژی پردازش تصاویر پزشکی
نوع نگارش مقاله: Conference paper
شناسه دیجیتال (DOI): https://doi.org/10.1007/978-3-030-00937-3_60
دانشگاه: آزمایشگاه ملی مهندسی فناوری ملی برای سونوگرافی پزشکی، دانشکده مهندسی پزشکی، مرکز علوم بهداشتی، دانشگاه شنژن، چین
ناشر: اسپرینگر - Springer
نوع ارائه مقاله: کنفرانس
نوع مقاله: ISI
سال انتشار مقاله: 2018
صفحات مقاله انگلیسی: 9
صفحات ترجمه فارسی: 11
فرمت مقاله انگلیسی: pdf و ورد تایپ شده با قابلیت ویرایش
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: 11586
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- مقدمه


2- ویژگی‌های توجه عمیق برای جداسازی


2-1 بررسی کلی روش


2-2 ویژگی‌های توجه عمیق


3- آزمایش‌ها


3-1 مواد


3-2 استراتژی‌های آموزش دادن و آزمایش کردن


3-3 عملکرد جداسازی


4- نتیجه‌گیری

فهرست انگلیسی مطالب

Abstract


1 Introduction


2 Deep Attentional Features for Segmentation


2.1 Method Overview


2.2 Deep Attentional Features


3 Experiments


3.1 Materials


3.2 Training and Testing Strategies


3.3 Segmentation Performance


4 Conclusion

نمونه ترجمه فارسی مقاله

چکیده


تقسیم خودکار پروستات در ﺳﻮﻧﻮﮔﺮاﻓﯽ ﺗﺮاﻧﺲ رﮐﺘﺎل (TRUS) برای بافت‌برداری تصاویر هدایت‌شده‌ پروستات و برنامه‌ریزی درمان بسیار حائر اهمیت می‌باشد. همچنین به‌دلیل مرز مبهم و توزیع شدت غیرهمگن پروستات در TRUS، توسعه دادن اینگونه راه‌حل‌های خودکار هنوز چالش‌برانگیز باقی‌مانده است. در این پژوهش، یک شبکه‌ی عصبی عمیق جدید که با ماژول‌های ویژگی توجه عمیق (DAF) مجهز شده است، برای جداسازی بهتر پروستات در TRUS با استفاده از استخراج کردن اطلاعات مکمل کدگذاری‌شده در لایه‌های مختلف شبکه‌ی عصبی پیچشی (CNN) توسعه داده شده است. همچنین DAF متعلق به ما جهت انتخاب قدرت نفوذ ویژگی‌های چندگانه‌ی ادغام‌شده از طریق لایه‌های مختلف برای تصحیح کردن ویژگی‌های هر لایه‌ی منحصربه‌فرد، متوقف کردن سرو‌صدای غیرپروستات در لایه‌های کم‌عمق CNN و افزایش دادن تعداد جزئیات پروستات درون ویژگی‌های لایه‌های عمیق از مکانیزم توجه استفاده می‌کند. ما تأثیر شبکه‌ی پیشنهادی را بر روی تصاویر چالش‌بر‌انگیز TRUS پروستات و همچنین نتایج تجربی ارزیابی می‌کنیم تا عملکرد بهتر روش‌های نوین را به‌وسیله‌ی یک تفاوت مزیت بزرگ نشان دهیم.


1- مقدمه


سرطان پروستات به‌عنوان رایج‌ترین سرطان غیرپوستی شناخته می‌شود و دومین سرطان ایجاد‌کننده‌ی مرگ در مردان می‌باشد ]9[. فراوادرمانی ترانس‌رکتال (TRUS) یک حالت تصویر‌برداری معمول برای بافت‌برداری تصاویر هدایت‌شده‌ و درمان سرطان پروستات می‌باشد. جداسازی پروستات از طریق TRUS برای برنامه‌ریزی درمان بسیار حائز اهمیت می‌باشد ]10[ و می‌تواند به تثبیت مبتنی بر سطح بین TRUS و MRI قبل از عمل در هنگام مداخلات تصاویر هدایت‌شده کمک نماید ]11[. همچنین به‌دلیل از بین رفتن یا مبهم بودن مرز و توزیع شدت غیرهمگن پروستات در TRUS و همچنین تغییرات شکلی بزرگ پروستات‌های مختلف، جداسازی دقیق پروستات در TRUS هنوز چالش‌بر‌انگیز باقی‌مانده است (شکل 1 مشاهده شود).

نمونه متن انگلیسی مقاله

Abstract


Automatic prostate segmentation in transrectal ultrasound (TRUS) is of essential importance for image-guided prostate biopsy and treatment planning. However, developing such automatic solutions remains very challenging due to the ambiguous boundary and inhomogeneous intensity distribution of the prostate in TRUS. This paper develops a novel deep neural network equipped with deep attentional feature (DAF) modules for better prostate segmentation in TRUS by fully exploiting the complementary information encoded in different layers of the convolutional neural network (CNN). Our DAF utilizes the attention mechanism to selectively leverage the multi-level features integrated from different layers to refine the features at each individual layer, suppressing the non-prostate noise at shallow layers of the CNN and increasing more prostate details into features at deep layers. We evaluate the efficacy of the proposed network on challenging prostate TRUS images, and the experimental results demonstrate that our network outperforms state-of-the-art methods by a large margin.


1 Introduction


Prostate cancer is the most common noncutaneous cancer and the second leading cause of cancer-related deaths in men [9]. Transrectal ultrasound (TRUS) is the routine imaging modality for image-guided biopsy and therapy of prostate cancer. Segmenting prostate from TRUS is of essential importance for the treatment planning [10], and can help surface-based registration between TRUS and preoperative MRI during image-guided interventions [11]. However, accurate prostate segmentation in TRUS remains very challenging due to the missing/ambiguous boundary and inhomogeneous intensity distribution of the prostate in TRUS, as well as the large shape variations of different prostates (see Fig. 1).

تصویری از فایل ترجمه

          


(جهت بزرگ نمایی روی عکس کلیک نمایید)

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: ۲۱,۸۰۰ تومان
خرید محصول
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

ویژگی های توجه عمیق برای تقسیم پروستات در سونوگرافی
مشاهده خریدهای قبلی
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها