کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4947758 1439590 2017 26 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Breast tumor segmentation with prior knowledge learning
ترجمه فارسی عنوان
تقسیم بندی تومور پستان با یادگیری دانش قبلی
کلمات کلیدی
تقسیم تومور پستان، سونوگرافی سونوگرافی، یادگیری دانش قبلی
ترجمه چکیده
جداسازی تومور اتوماتیک پستان یک گام مهمی برای تحلیل تصاویر سونوگرافی پستان است. دانش قبلی می تواند برای بهبود عملکرد تقسیم بندی استفاده شود. با این حال، به طور معمول از اطلاعات پیشین مانند شدت، بافت و شکل ممکن است به دلیل ویژگی های پیچیده تومور سینه در تصاویر اولتراسوند بی فایده باشد. در این مقاله، ما یک پیشینه علمی جدید از مناطق تومور غیر طبیعی پیشنهاد می کنیم که ممکن است مکمل مدل تقسیم بندی پایه باشد. بر اساس این ایده، ما روشی تقسیم بندی تومور سینه را با یادگیری دانش قبلی توسعه می دهد. روش پیشنهادی عمدتا شامل دو مرحله است: پیشگیری از یادگیری دانش و ساخت مدل تقسیم بندی. در مرحله اول، مدل یادگیری دانش قبلی، برای یادگیری اطلاعات پیشین است که می تواند به درستی طبقه بندی ناحیه های تومور غیر طبیعی را مورد استفاده قرار دهد. مدل تقسیم بندی پایه دشوار برای به دست آوردن نتیجه تقسیم بندی دقیق ناحیه های تومور غیر طبیعی دشوار است. بنابراین، دانش قبلی یادآور مکمل مدل تقسیم بندی پایه است. به منظور بهره برداری از دانش قبلی دانش، پیش شرط های مبتنی بر دانش در مدل تقسیم بندی پایه برای ساخت مدل سازی جداسازی قوی گنجانده شده است. به منظور بررسی عملکرد روش پیشنهادی، یک پایگاه داده تصویری مبتنی بر سونوگرافی پستان ساخته شده که شامل 186 مورد (135 مورد خوش خیم و 51 مورد بدخیم) با جمع آوری تصاویر پستان از چهار نوع دستگاه های اولتراسونیک است. نتایج تجربی ما در پایگاه داده ساخته شده اثربخشی و استحکام روش پیشنهادی را نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
تقسیم بندی تومور پستان با یادگیری دانش قبلی
چکیده انگلیسی
Automatic breast tumor segmentation is a crucial step for breast ultrasound images analysis. Prior knowledge can be used to improve segmentation performance. However, commonly used prior information such as intensity, texture and shape may be useless due to complicated characteristics of breast tumor in ultrasound images. In this paper, we propose a novel prior knowledge of the abnormal tumor regions, which may be complementary to base segmentation model. Based on this idea, we develop a breast tumor segmentation approach with prior knowledge learning. The proposed method mainly consists of two steps: prior knowledge learning and segmentation model construction. In the first step, prior knowledge learning model is developed to learn prior information which can be used to classify abnormal tumor regions correctly. It's difficult for base segmentation model to obtain accurate segmentation result of abnormal tumor areas. Therefore, learned prior knowledge is complementary to base segmentation model. In order to exploit learned prior knowledge, prior knowledge-based constraints are incorporated into the base segmentation model for robust segmentation model construction. In order to verify performance of the proposed method, we construct a breast ultrasound images database contained 186 cases (135 benign cases and 51 malignant cases) by collecting the breast images from four types of ultrasonic devices. Our experimental results on the constructed database demonstrate the effectiveness and robustness of the proposed method.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 237, 10 May 2017, Pages 145-157
نویسندگان
, , , , , , , ,