دسته‌ها
فناوری اطلاعات - ترجمه مقاله مقالات انگلیسی رایگان مقالات ترجمه شده

ترجمه مقاله یک شبکه عصبی کانولوشنی عمیق برای بخش بندی و طبقه بندی مناطق اپیتلیال و استرومال در تصاویر آسیب شناسی (هیستوپاتولوژیک)

عنوان مقاله انگلیسی رایگان A Deep Convolutional Neural Network for segmenting and classifying epithelial and stromal regions in histopathological images
عنوان فارسی ترجمه مقاله یک شبکه عصبی کانولوشنی عمیق برای بخش بندی و طبقه بندی مناطق اپیتلیال و استرومال در تصاویر آسیب شناسی (هیستوپاتولوژیک)

 دسته : فناوری اطلاعات

ترجمه مقاله یک شبکه عصبی کانولوشنی عمیق برای بخش بندی و طبقه بندی مناطق اپیتلیال و استرومال در تصاویر آسیب شناسی (هیستوپاتولوژیک)




:
:

:
:
تصویر پیش فرض

جزئیات بیشتر و دانلود مقاله ترجمه شده
(مقاله انگلیسی رایگان)
عنوان فارسی ترجمه مقاله یک شبکه عصبی کانولوشنی عمیق برای بخش بندی و طبقه بندی مناطق اپیتلیال و استرومال در تصاویر آسیب شناسی (هیستوپاتولوژیک)

 

این مقاله ترجمه شده مهندسی فناوری اطلاعات در زمینه کلمات کلیدی زیر است:
مقاله درباره شبکه های عصبی کانولوشنی عمیق

بیان ویژگی

مقاله درباره طبقه بندی نواحی اپیتلیال و استرومال
مقاله درباره هیستوپاتولوژی سینه
Deep Convolutional Neural Networks
Feature representation

چکیده

اپیتلیال (EP) و استرومال (ST) دو نوع بافت در تصاویر آسیب شناسی می باشند. بخش بندی یا طبقه بندی خودکار بافت های EP وST در هنگام توسعه ی سیستم های کامپیوتری برای تحلیل ریز محیط تومورها مهم می باشد.

در این مقاله، یک یادگیری ویژگی مبتنی بر شبکه عصبی کانولوشنی عمیق (DCNN) برای بخش بندی یا طبقه بندی خودکار مناطق EP و ST از ریزآرایه های بافت تومور (TMAs) که دیجیتال شده اند، ارائه می گردد.

روش های حال حاضر بر اساس ویژگی های دستی مانند رنگ، ترکیب، و الگوهای باینری محلی (LBP) در طبقه بندی دو ناحیه می باشند.

در مقایسه با روش های مبتنی بر ویژگی های دستی، که با بیان مبتنی بر وظیفه مربوط است، DCNN یک استخراج کننده ی ویژگی سراسری می باشد که می تواند مستقیما از میزان شدت پیکسل خام بافت هایEP و ST به صورت داده محور یاد گرفته شود.

این ویژگی های سطح بالا در ساخت یک طبقه بندی کننده ی نظارت شده برای تمییز دو نوع از بافت ها سهیم می باشند. در این کار، ما مدل های مبتنی بر DCNN را با 33 روش مبتنی بر استخراج ویژگی دستی، بر روی دو دسته دادگان متفاوت که شامل 157 تصویر رنگ آمیزی شده ی هماتوکسیلین و اوسین (H&E) مربوط به سرطان سینه و 1376 تصویر رنگ آمیزی شده ی سیستم ایمنی بافتی (IHC) مربوط به سرطان روده ی بزرگ می باشند، مقایسه می نماییم.

نشان داده می شود که روش یادگیری ویژگی مبتنی بر DCNN، دارای امتیاز طبقه بندی F1 برابر با 85%، 89% و 100%، صحت (ACC) برابر با 84%، 88% و 100%  و ضریب هم بستگی متیو (MCC) برابر با 86%، 77% و 100% روی داد های رنگ آمیزی شده ی H&E (NKI و VGH) وIHC می باشد.

نشان داده می شود که روش مبتنی بر DNN ارائه شده در این مقاله، نسبت به روش های مبتنی بر استخراج ویژگی های دستی، از عملکرد بهتری از دیدگاه طبقه بندی مناطق EP و ST برخوردار می باشد.

 

دیدگاهتان را بنویسید

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

نوزده − 13 =