دسته بندی: علوم پزشکی » پزشکی
فرمت فایل دانلودی: zip
فرمت فایل اصلی: doc, pdf
تعداد صفحات: 21
حجم فایل:735 کیلوبایت
قیمت: 30000 تومان
دانلود مقاله روشی جدید برای تشخیص میکروآنوریسم از تصاویر شبکیه مردمک های بدون اتساع دارای رتینوپاتی دیابتی با استفاده از پردازش تصویر (ترجمه فارسی به انگلیسی)،
مقاله کنفرانس مهندسی پزشکی جهت ISI،
این فایل در قالب Word قابل ویرایش، آماده پرینت و ارائه به عنوان پروژه پایانی می باشد
قالب: Word +Pdf
تعداد صفحات ترجمه انگلیسی: 15
تعداد صفحات مقاله فارسی: 6
توضیحات:
عنوان مقاله: روشی جدید برای تشخیص میکروآنوریسم از تصاویر شبکیه مردمک های بدون اتساع دارای رتینوپاتی دیابتی با استفاده از پردازش تصویر
چکیده:
تشخیص میکروآنوریسم ها (MA) یکی از مراحل اصلی در تشخیص رتینوپاتی دیابتی (DR) به کمک کامپیوتر می باشد. MA از نشانه های اولیه DR و یکی از علل اصلی از دست دادن بینایی در بیماران دیابتی است. در حالی که، تشخیص سریع MA به کاهش نابینـایی کمـک مـی کنـد.
تشخیص اتوماتیک MA با توجه به اندازه ریز، کنتراست کم و همچنین شباهت با رگ های خونی هنوز در دست بررسـی اسـت. در ایـن مقالـه از عملیات مورفولوژی ریاضی جهت استخراج نواحی نامزد MA و از شبکه عصبی جهت طبقه بندی به منظور تشخیص MA در مردمـک هـای بـدون اتساع کمک گرفته میشود. به ازای هر پیکسل از نواحی نامزد، 18 ویژگی جهت استفاده در شبکه عصبی به عنوان طبقه بند استخراج می شـود.
روش پیشنهادی بر روی 12 تصویر مربوط به مردمک های بدون اتساع اعمال شده است و درصد پیکسل هایی که بدرستی تشخیص داده شده اند، 9.98% می باشد. نتایج شبیه سازی در بخش سوم آورده شده است.
A new method for detecting retinal microaneurysms images without pupil dilation with diabetic retinopathy using image processing
Abstract
Detection of microaneurysms (MA) is one of the principal stages of diabetic retinopathy (DR) using the computer. MA is one of the preliminary signs of (DR) and one of the first causes of the vision loss in diabetics. While, prompt MA diagnosis helps reduce blindness. MA automatic detection according to the small size, low contrast and similarity with blood vessels is still under investigation. In this paper, a mathematical morphology operation is used for extracting MA candidate areas and from neural network for classifying in order to detect MA in the pupils without dilation. For each pixel of the candidate areas, 18 features are extracted for use in neural network as classifier. Proposed approach on 12 images of the pupil without dilation has been applied and the percentage of pixels that have been correctly diagnosed is 9.98%. Simulation results are presented in Section III.
Keywords: diabetic retinopathy, microaneurysms, neural networks, feature extraction, Mathematical Morphology.
تصادفی