تشخیص سرطان سینه بر اساس ویژگی های اطراف توده و با استفاده از ماشین بردار SVM

مشخصات پروپوزال

عنوان فارسی پروپوزال

تشخیص سرطان سینه بر اساس ویژگی های اطراف توده و با استفاده از ماشین بردار SVM

عنوان انگلیسی پروپوزال Breast tumors recognition based on edge feature extraction using support vector machine
تعداد صفحات ۲۳
سال نگارش ۲۰۲۰
رشته کامپیوتر
قالب فایل Word
مقاله بیس دارد
لینک مقاله بیس https://e-tarjome.com/storage/panel/fileuploads/2020-01-22/1579695674_E14202-e-tarjome.pdf
دانلود پروپوزال کلیک جهت دانلود پروپوزال

 فهرست مطالب پروپوزال تشخیص سرطان سینه بر اساس ویژگی های اطراف توده و با استفاده از ماشین بردار SVM

  1. بیان مساله اساسی تحقیق
  2. اهمیت و ضرورت انجام تحقیق
  3. مرور ادبیات و سوابق مربوطه
  4. جنبه جدید بودن و نوآوری در تحقیق
  5. اهداف مشخص تحقیق
  6. سؤالات تحقیق
  7. فرضیه ‏های تحقیق
  8. روش شناسی تحقیق
  9. متغیرهای مورد بررسی در قالب یک مدل مفهومی
  10. شرح کامل روش (میدانی، کتابخانه‏ای) و ابزار
  11. جامعه آماری، روش نمونه‏ گیری و حجم نمونه
  12. روش‌ها و ابزار تجزیه و تحلیل داده ‏ها
  13. مراجع

کلیک جهت دانلود پروپوزال

بیان مساله

امروزه، سرطان پستان  یک بیماری شایع در بین زنان است و میزان مرگ و میر مربوط به این سرطان بالاتر از سایر موارد است. مطالعات کلینیکی نشان داده است که تشخیص سرطان سینه در مراحل اولیه  و درمان به موقع به میزان زیادی نرخ بقا بیماران را افزایش میدهد. اما، وجود توده سرطانی در مراحل اولیه رشد، با هیچ نشانه ای همراه نیست و این امر، تشخیص زودهنگام   بیماری را مشکل مینماید. از این رو، تشخیص زودهنگام تومورهای پستان یک امر مهم در شاخه پزشکی محسوب می شود.

سونوگرافی یک ابزار تصویربرداری  کم هزینه، راحت ، موثر و بدون اشعه است که امروزه در تشخیص توده های سرطانی کاربرد وسیعی دارد. این روش در پیش پردازش تصویر، بخشبندی تصویر، استخراج و انتخاب ویژگی و دسته بندی نوع تومور و دقت تشخیص بهتر از سایر روش ها عمل میکند.

کلیک جهت دانلود پروپوزال

بر طبق مطالعات صورت گرفته، ویژگی های مورفولوژیک یک روش موثر در تشخیص توده های خوش خیم از بدخیم است. به این معنی که، حاشیه و اطراف یک تومور خوش خیم نسبتا صاف و مشخص هستند. در حالی که تومورهای بدخیم، اطراف نامنظم دارند. در تصاویر سونوگرافی، توده های سرطانی در پستان با توجه به شکل، جهت، حاشیه و ویژگی های اطراف شناخته می شوند. (Liu و همکاران، ۲۰۲۰)

در این تحقیق؛ یک روش استخراج ویژگی، که ترکیبی از ویژگی های اطراف تومور و ویژگی های مورفولوژیک تومور است،  برای تصاویر سونوگرافی ارائه شده است.  به این منظور،  ویژگیها کمی را بر اساس هیستوگرام بافت و فاصله طراحی و تغییرات مورفولوژیکی تومورهای پستان را از نقطه نظر محلی بررسی کردیم تا با دقت بیشتری تومورهای بدخیم پستان را تشخیص دهیم. این تحقیق ، برای شناسایی تومورها، از دسته بندی SVM استفاده میکند و  ویژگیهای مختلفی به عنوان ورودی   SVM  در نظر گرفته می شود.

کلیک جهت دانلود پروپوزال

توده

کلیک جهت مشاهده تمامی پروپوزالها

توده

برخی از مراجع

shape classification in mammograms using generative adversarial and convolutional neural network. Expert Systems with Applications, ۱۳۹, ۱۱۲۸۵۵٫ Chanda, P. B., & Sarkar, S. K. (2020). Detection and Classification of Breast Cancer in Mammographic Images Using Efficient Image Segmentation Technique. In Advances in Control, Signal Processing and Energy Systems (pp. 107-117). Springer, Singapore. Li, S., Dong, M., Du, G., & Mu, X. (2019). Attention Dense-U-Net for Automatic Breast Mass Segmentation in Digital Mammogram. IEEE Access, 7, 59037-59047. Hamsagayathri, P., & Sampath, P. (2017). Performance analysis of breast cancer classification using decision tree classifiers. Int J Curr Pharm Res, ۹(۲), ۱۹-۲۵٫ Nemat, H., Fehri, H., Ahmadinejad, N., Frangi, A. F., & Gooya, A. (2018). Classification of breast lesions in ultrasonography using sparse logistic regression and morphology‐based texture features. Medical physics, ۴۵(۹), ۴۱۱۲-۴۱۲۴٫ Alickovic, E., & Subasi, A. (2019, May). Normalized Neural Networks for Breast Cancer Classification. In International Conference on Medical
توده
مشاهده تمامی پروپوزال‌های مهندسی کامپیوتر
 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.