دانلود رایگان مقالات سال 2015دانلود رایگان مقاله ISI الکترونیک به زبان انگلیسیدانلود رایگان مقاله ISI پردازش تصاویر پزشکی به زبان انگلیسیدانلود رایگان مقاله ISI پزشکی به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI پزشکی هسته ای به زبان انگلیسیدانلود رایگان مقاله ISI رادیولوژی به زبان انگلیسیدانلود رایگان مقاله ISI مغز و اعصاب به زبان انگلیسیدانلود رایگان مقاله ISI مهندسی برق به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی پزشکی به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی کامپیوتر به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی کنترل به زبان انگلیسیدانلود رایگان مقاله ISI نرم افزار متلب (MATLAB) به زبان انگلیسیدانلود رایگان مقاله ISI هوش مصنوعی به زبان انگلیسی

مقاله انگلیسی رایگان در مورد ارزیابی k-Means و بخش بندی تصاویر مغز ( الزویر )

 

مشخصات مقاله
عنوان مقاله  Evaluation of k-Means and fuzzy C-means segmentation on MR images of brain
ترجمه عنوان مقاله  ارزیابی k-Means و بخش بندی تصاویر MR از مغز و فازی C-Means
فرمت مقاله  PDF
نوع مقاله  ISI
سال انتشار  مقاله سال ۲۰۱۵
تعداد صفحات مقاله  ۵ صفحه
رشته های مرتبط  مهندسی پزشکی، مهندسی کامپیوتر، برق و پزشکی
گرایش های مرتبط  هوش مصنوعی، مهندسی الکترونیک، مهندسی کنترل، مغز و اعصاب، پردازش تصاویر پزشکی، فیزیک پزشکی، رادیولوژی، پزشکی هسته ای
مجله  مجله پزشکی هسته ای و رادیولوژی مصری – The Egyptian Journal of Radiology and Nuclear Medicine
دانشگاه  دانشکده الکترونیک، دانشکده مهندسی و فناوری سنت جوزف، هند
کلمات کلیدی  گلیوبلاستوما چند حالته، تمرکز نابجا، ورم ازوژنیک، فیلتر دو طرفه، کنتراست انطباقی محدود، تساوی هیستوگرام
کد محصول  ۳۰
نشریه  نشریه الزویر
لینک مقاله در سایت مرجع  لینک این مقاله در سایت الزویر (ساینس دایرکت) Sciencedirect – Elsevier
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
خرید ترجمه این مقاله خرید ترجمه این مقاله

 

بخشی از متن مقاله:
چکیده

این مقاله کیفیت فازی C-Means و بخش بندی K-Means مقایسه می کند ، و تصاویرMR پیچیده از تومور مغزراباهیستوگرام اولیه مشخص میکند.دقت دربخش بندی به طورجداگانه بستگی به توانایی دکتربرای تشخیص طبقات مختلف بافت دارد . از این رو ، یک پیش نیاز جدی برای ارزیابی توانایی قبل ازبخش بندی تصاویرپزشکی وجود دارد . این مقاله توانایی FCM و Means-K بخش بندی خاکستری ماده(GM) ،ماده سفید (WM)،مایع مغزی-نخاعی (CSF) ، نکروزی گلیوبلاستمامولتی (GBM) ،ورم ازوژنیک،کنتراست۱Tکه محورهم سطح تصاویر ورم MR تومور است را ارزیابی می کند . آزمایش نشان می دهدکه FCM ازوژنیک وماده سفیدبه عنوان یک بافت و ماده به طور مشابه به رنگ خاکستری و نکروتیک شناسایی می شوند K-Means قادربه تشخیص مناطق است که نسبت به FCM بهتر تشخیص می دهد . FCM تنها ۳ بافت را شناسایی می کند در حالی که ، K-Means تمام ۶ بافت را شناسایی می کند . ارزیابی تجربی Means-K و FCM ، با هیستوگرام در نرم افزار متلب انجام می شود .

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا