این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
بیماری های پستان، جلد ۹، شماره ۲، صفحات ۱۹-۳۵
عنوان فارسی به‌کارگیری الگوریتم GBC جهت افزایش دقت تشخیص و حذف نویز ضربه در تصاویر ماموگرافی مبتنی بر شبکه عصبی MLP
چکیده فارسی مقاله چکیده مقدمه: سرطان پستان به‌رغم انتشار گسترده، به کمک تصاویر ماموگرافی و علایم بالینی بیمار قابل شناسایی به موقع و معالجه قطعی است. حذف اختلال­های ناخواسته نظیر نویزها و بهبود کیفیت تصاویر ماموگرافی، در افزایش دقت تشخیص سرطان موثر می­باشد. نویزهای ضربه در تصاویر ماموگرافی دیجیتال به گونه­ای است که در آن اختلاف شدت پیکسل نویزی با پیکسل‌های اطراف زیاد است. وجود علایم و ویژگی­های مختلف این بیماری، تشخیص را برای پزشکان دشوار می­کند. پردازش تصاویر ماموگرافی امکان تحلیل وضعیت بیماران برای تصمیم­گیری­های پزشکی را فراهم می­کند. هدف این مقاله، ارایه یک مدل برای حذف نویز ضربه از تصاویر ماموگرافی به منظور افزایش دقت پیش­بینی سرطان پستان است. روش بررسی: در این مطالعه، تصاویر ماموگرافی 574 بیمار مبتلا به سرطان پستان مورد بررسی قرار گرفته است. اطلاعات بیماران از پایگاه داده بیمارستان فوق تخصصی مرتاض یزد جمع­آوری شده ­است. به منظور ارایه مدل برای حذف نویز ضربه از تصاویر ماموگرافی از الگوریتم GBC و شبکه عصبی MLP استفاده می­شود. یافته­ها: مدل پیشنهادی با روش­هایی از قبیل MDBUTMF و ATSM مورد مقایسه قرار گرفت. نتایج شبیه­سازی برتری دقت تشخیص و حذف نویز ضربه از تصاویر ماموگرافی مدل ­پیشنهادی نسبت به سایر روش­ها را نشان می­دهد. همچنین PSNR تصویر به طور متوسط dB2 افزایش می­یابد. نتیجه­گیری: در حذف نویز ضربه به منظور پیش­بینی سرطان پستان، مدل پیشنهادی نسبت به سایر مدل­های مورد مقایسه دارای حداقل میزان خطا و بیش­ترین دقت و صحت ­است. روش ATSM، حداکثر میزان خطا و کم­ترین دقت را دارا می­باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Using MLP Neural Network and PSO Algorithm for Reduction of Degradation Caused by High Density Impulsive Noise in Mammography Images
چکیده انگلیسی مقاله Abstract Introduction: Impulse noise removal of mammography image is of great importance. The presence of different signs and characteristics of the disease has made it difficult for physicians' to diagnose. MLP neural network allows the analysis of the patients' medical data for medical decisions. The goal of this paper is to present an accurate model designed for reduction of degradation caused by high density impulsive noise in mammography images. Methods: In this study, the medical case files of 574 patients. Patient information was acquired from the Mortaz General Hospital Standard Database and selected. GBC Algorithm and MLP neural network are used for reduction of degradation Caused by high density impulsive noise in mammography images. Results: The suggested model was compared with the MDBUTMD and ATSM methods. In reduction of degradation caused by high density impulsive noise in mammography images, the suggested model acquired the least error and the most PSNR and validation in comparison with other methods. The ATSM method has the most error and least PSNR. Conclusion: Subjective and objective evaluations on different images with different noise densities show the superiority of the proposed method over the related recent works in the field.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمد مومنی | mohammad momeny


رابعه صرام | rabeah sarram

سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

مهدی آقاصرام | mehdi agha sarram

سازمان اصلی تایید شده: دانشگاه علوم پزشکی شهید صدوقی یزد (Shahid sadooghi university of medical sciences)

مصطفی شیریزدی | mostafa shiryazdi

سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

افسانه قاسمی | afsaneh ghasemi

سازمان اصلی تایید شده: دانشگاه علوم پزشکی شهید صدوقی یزد (Shahid sadooghi university of medical sciences)

علی پوراحمدی | ali pourahmadi

سازمان اصلی تایید شده: دانشگاه علوم پزشکی شهید صدوقی یزد (Shahid sadooghi university of medical sciences)

زهرا حاج ابراهیمی | zahra hajebrahimi

سازمان اصلی تایید شده: دانشگاه علم و هنر یزد (University of science and arts of yazd)

نشانی اینترنتی http://www.ijbd.ir/browse.php?a_code=A-10-222-98&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده 1
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات