این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
رایانش نرم و فناوری اطلاعات، جلد ۱۱، شماره ۴، صفحات ۱-۱۸
عنوان فارسی بازیابی تصاویر پزشکی ریه با استفاده از درهم سازی با ناظر، انتخاب ویژگی mRMR و شبکه‌های عصبی کانولوشنی عمیق
چکیده فارسی مقاله توسعه پزشکی نوین از یک طرف امکان ذخیره‌سازی تصاویر پزشکی را فراهم کرده است و از طرف دیگر بدلیل افزایش روزانه ذخیره‌سازی این قبیل داده، مدیریت و بازیابی آن‌ها را نیز با مشکل مواجه ساخته است. با توجه به آنکه تصاویر پزشکی به عنوان ابزاری قدرتمند در تشخیص زودرس اغلب بیماری‌ها مورد استفاده هستند، ارائه سیستمی توانمند که بتواند از حجم رو به رشد تصاویر پزشکی، تصاویری با محتوای مشابه را بازیابی نماید، در کنترل و درمان بسیار موثر است. در این مقاله یک سیستم بازیابی تصاویر پزشکی مبتنی بر شبکه عصبی سیامی متشکل از دو زیر شبکه کانولوشن با 13 لایه ارائه شده است. برای رسیدن به زیر مجموعه بهینه از ویژگی‌های عمیق استخراج شده توسط سیامی، از تکنیک حداقل افزونگی- حداکثر همبستگی (mRMR) استفاده شده است و پس از درهم‌سازی باینری ویژگی‌ها، بازیابی تصاویر مشابه با استفاده از فاصله Hamming انجام می‌شود. اگر چه مدل مطرح قابلیت بازیابی انواع تصاویر پزشکی سطح خاکستری را دارد، اما برای ارزیابی آن، از دو نوع تصاویر ریه، شامل تصاویر سی‌تی اسکن بیماران کووید-19 در پایگاه داده CT-COV و تصاویر اشعه X بیماران ذات‌الریه در پایگاه Pneumonia استفاده شده است. نتایج حاکی از آن است که روش پیشنهاد شده در پایگاه کووید به ترتیب در 5 و 10 تصویر بازیابی توانسته است به میانگین دقت 93.83‌% و 92.73‌% و در پایگاه داده ذات‌الریه به میانگین دقت 100‌% دست یابد که در مقایسه با روش‌های پیشین توانسته است بازیابی تصاویر ریه را بهبود ببخشد.
کلیدواژه‌های فارسی مقاله درهم سازی، شبکه عصبی سیامی، انتخاب ویژگی با حداقل افزونگی- حداکثر همبستگی، بازیابی تصاویر ریه،
عنوان انگلیسی Lung Image Retrieval Based on Supervised Hashing, MRMR Feature Selection and Deep Convolutional Neural Network
چکیده انگلیسی مقاله On the one hand, the development of modern medicine has made it possible to store medical images, and on the other hand, due to the daily increase in the storage of such data, it has also made their management and recovery difficult. Considering that medical images are used as a powerful tool in the early diagnosis of most diseases, providing a powerful system that can retrieve images with similar content from the growing volume of medical images is very effective in control and treatment. In this article, a medical image retrieval system based on Siamese neural network consisting of two convolutional sub-networks with 13 layers is presented. To reach the optimal subset of deep features extracted by Siamese, the Minimum Redundancy-Maximum Relevant (mRMR) technique has been used, and after binary hashing of the features, similar images are retrieved using Hamming distance. Although the proposed model is capable of retrieving a variety of gray scale medical images, two types of lung images have been used to evaluate it, including CT scan images of Covid-19 patients in the CT-COV database and X-ray images of pneumonia patients in the Pneumonia database. The results indicate that the proposed method in the Covid database has been able to achieve an average precision of 93.83% and 92.73% in 5 and 10 retrieved images respectively, and an average precision of 100% in the pneumonia database, which is compared to previous methods have been able to improve the retrieval of lung images.
کلیدواژه‌های انگلیسی مقاله درهم سازی, شبکه عصبی سیامی, انتخاب ویژگی با حداقل افزونگی- حداکثر همبستگی, بازیابی تصاویر ریه
نویسندگان مقاله فاطمه محمودی |
گروه کامپیوتر، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران

فرساد زمانی بروجنی |
گروه کامپیوتر، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران

نشانی اینترنتی https://jscit.nit.ac.ir/article_166659_3d0d9c1e1f143597f8a49016f857558c.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات