طبقه بندی وابسته به ماموگرافی بر مبنای کاوش مشابه بلوک های تصویر

قیمت: 40,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

طبقه بندی وابسته به ماموگرافی بر مبنای کاوش مشابه بلوک های تصویر

عنوان لاتین

ASSOCIATIVE CLASSIFICATION OF MAMMOGRAMS BASED ON PARALLEL MINING OF IMAGE BLOCKS

یکی از اهداف اصلی داده کاوی به عنوان یک زمینه چند اصولی احتمالی در علوم کامپیوتر فراهم آوردن یک مدل طبقه بندی به کار رفته برای اهداف حمایتی مورد نظر است . در حوزه تصویر سازی پزشکی طبقه بندی ماموگرافی یک کار تشخیصی مشکل است توسعه سیستم های اتوماتیک طبقه بندی را ایجاب می کند طبقه بندی به عنوان یک مورد خاص از کاوش قوانین وابستگی در مسائل طبقه بندی سالها پذیرفته شده است . در این مقاله یک چارچوب طبقه بندی وابستگی مبتنی بر کاوش مشابه بلوک های تصویر برای استفاده در مورد متفاوت سازی ماموگرافی پیشنهاد شده است. کاوش قوانین وابستگی برای یک پایگاه داده تصویر ماموگرافی عموما استفاده شده برای طبقه بندی کردن ماموگرافی دیجیتالی در 3 طبقه یعنی نرمال ، آغازین و بدخیم . برای انجام این کار ، نخست ، تصاویر از پیش پردازش شده و سپس ویژگی های بلوک های تصویر غیر همپوشان استخراج شدند و برای کشف قوانین متمایز شدند . قوانین وابستگی سپس از طریق کاوش مشابه پایگاه داده های تبادلی کشف می شوند که مطابق با بلوک های تصویر می باشند و در نهایت در یک نمودار تصمیم گیری منحصر به فردی برای پیش بینی کردن طبقه نمونه های ناشناخته استفاده می شوند . در پایان ، آزمایشات برای ارزیابی اثر بخشی چارچوب پیشنهاد شده مدیریت می شوند . نتایج نشان میدهد که چارچوب پیشنهاد شده در شرایط درست ، ادراکی و فراخوانده موفق ثابت شده است و نشان میدهد که این چارچوب می تواند به عنوان هسته هر نوع طبقه بندی کننده وابستگی آتی برای حمایت از متمایز سازی استفاده شود.

One of the main objectives of data mining as a promising multidisciplinary ¯eld in computer science is to provide a classi¯cation model to be used for decision support purposes. In the medical imaging domain, mammograms classi¯cation is a di±cult diagnostic task which calls for development of automated classi¯cation systems. Associative classi¯cation, as a special case of association rules mining, has been adopted in classi¯cation problems for years. In this paper, an associative classi¯cation framework based on parallel mining of image blocks is proposed to be used for mammograms discrimination. Indeed, association rules mining is applied to a commonly used mammography image database to classify digital mammograms into three categories, namely normal, benign and malign. In order to do so, ¯rst images are preprocessed and then features are extracted from non-overlapping image blocks and discretized for rule discovery. Association rules are then discovered through parallel mining of transactional databases which correspond to the image blocks, and ¯nally are used within a unique decision-making scheme to predict the class of unknown samples. Finally, experiments are conducted to assess the e®ectiveness of the proposed framework. Results show that the proposed framework proved successful in terms of accuracy, precision, and recall, and suggest that the framework could be used as the core of any future associative classi¯er to support mammograms discrimination