مقایسه روش های فراگیری ماشین برای کشف فلج چند گانه مبتنی بر آنتروپی موجک ایستا
چکیده
ما با هدف کشف افراد دارای فلج چند گانه (MS) از کنترل های سالم (HC) در تصویر برداری رزنانس مغناطیسی یک سیستم جدید را بر اساس فراگیری ماشین توسعه داده ایم . داده تصویر برداری MS از لابراتوار eHealth در دانشگاه قبرس دانلود شده بود و داده تصویر برداری HC در بیمارستان محلی ما با داوطلباتی اسکن شده بود که از بر اساس تبلیغات نام نویسی کرده اند . عادی سازی اسکن درونی برای حذف اختلاف سطح خاکستری بکار گرفته شد . ما هزینه های دسته بندی اشتباه را تنظیم می نماییم تا تاثیر توزیع دسته نامتوازن را بر عملکرد دسته بندی کاهش دهیم . ما از انتروپی موجک ایستاء دو سطحی (SWE) استفاده کرده ایم تا خصیصه های تصاویر مغزی را استخراج نماییم . سپس ما سه دسته کننده مبتنی بر فراگیری ماشین را مقایسه کرده ایم که عبارتند از : درخت تصمیم ، نزدیک ترین همسایه ها (KNN ) و ماشین بردار پشتیبانی . نتایج آزمایشی یک kNN را که در میان کل سه دسته کننده به بهترین نحو اجراء شده اند را نشان داده اند . بعلاوه ، رویکرد SWE + kNN پیشنهادی با چهار رویکرد با جدید ترین تکنولوژی در اولویت قرار دارد . رویکرد کشف MS پیشنهادی ما موثر است .
1 – مقدمه
فلج چندگانه (MS ) یک بیماری با آسیب خراب شدن میلین (myelin) می باشد که بواسطه آسیب به پوشش عایق کننده سلول های عصبی در سیستم عصبی مرکزی (1-4 ) ایجاد شده است . نشانه های بیماری بر حسب نوع افراد متفاوت هستند و عمدتا شامل ناتوانی فیزیکی(5) و مشکلات ذهنی(6) می باشند . بیماران به طور خاص ممکن است دچار اختلال بینایی(7) ، آسیب شبکیه ای(8) ، دید رنگ معیوب (9)، ضعف عضلانی ، خستگی ، افسردگی(10) و غیره شوند . کشف آسیب شدید بافت به دلیل ماده سفید با شکل ظاهری عادی (NAWM) با تکنیک تصویر برداری رزنانس مغناطیسی معمولی دشوار می باشد یعنی مناطق ماده سفید غیر عادی دارلی ظاهر معمولی می باشند . این پارادوکس رادیولوژیکی کلینیکی یک چالش برای نورو رادیولوژیست ها ( رادیولوژیست های عصب ) محسوب می گردد . یک تکنیک جدید و بدیع وجود دارد که می تواند نرخ تشخیص بهتر را در پایش MS نسبت به تفسیر انسان ارایه نماید .
Abstract
In order to detect multiple sclerosis (MS) subjects from healthy controls (HCs) in magnetic resonance imaging, we developed a new system based on machine learning. The MS imaging data was downloaded from the eHealth laboratory at the University of Cyprus, and the HC imaging data was scanned in our local hospital with volunteers enrolled from community advertisement. Inter-scan normalization was employed to remove the gray-level difference. We adjust the misclassification costs to alleviate the effect of unbalanced class distribution to the classification performance. We utilized two-level stationary wavelet entropy (SWE) to extract features from brain images. Then, we compared three machine learning based classifiers: the decision tree, k-nearest neighbors (kNN), and support vector machine. The experimental results showed the kNN performed the best among all three classifiers. In addition, the proposed SWE+ kNN approach is superior to four state-of-the-art approaches. Our proposed MS detection approach is effective.
1 Introduction
Multiple sclerosis (MS) is a chronic demyelinating disease, caused by damage to the insulating cover of nerve cells in central neural system.1–4 The symptoms are different within individuals, mainly involving physical disability5 and mental problems.6 Specifically, the patients may be afflicted with vision disturbance,7 retinal damage,8 impaired color vision,9 muscle weakness,10 fatigue, depression,11 etc. With the conventional magnetic resonance imaging (MRI) technique it is difficult to detect severe tissue damage, due to the normal-appearing white matter (NAWM),12–14 that is, the abnormal white matter (WM) areas appear normal. This clinic-radiological paradox is a challenge for neuroradiologists. There is a need for novel techniques that may offer a better diagnosis rate in monitoring MS than human interpretation.
چکیده
1- مقدمه
2- مواد
2-1 منبع
2-2 عادی سازی اسکن درونی
3- روش شناسی
3-1 انتروپی موجک ایستاء
3-2 دسته بندی
3-3 آزمایش آماری
4- نتایج
4-1 تبدیل موجک ایستاء
4-2 مقایسه دسته کننده
4-3 مقایسه با روش های با جدید ترین فناوری
4-4 زمان محاسبه
5- بحث و تبادل نظر
6- نتیجه گیری و مسیر های آینده
Abstract
1 Introduction
2 Materials
2.1 Source
2.2 Inter-scan normalization
3 Methodology
3.1 Stationary wavelet entropy
3.2 Classification
3.3 Statistical experiment
4 Results
4.1 Stationary wavelet transform
4.2 Classifier comparison
4.3 Comparison to state-of-the-art methods
4.4 Computation time
5 Discussion
6 Conclusion and future directions
- 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