پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,529 |
| تعداد مقالات | 70,457 |
| تعداد مشاهده مقاله | 124,017,444 |
| تعداد دریافت فایل اصل مقاله | 97,130,730 |
کاهش بعد داده های تصاویر تشدید مغناطیسی مغز با استفاده از شبکه عصبی آموزش یافته توسط الگوریتم ژنی | ||
| نشریه دانشکده فنی | ||
| مقاله 4، دوره 38، شماره 1 - شماره پیاپی 1087، اردیبهشت 1383 اصل مقاله (680.04 K) | ||
| نویسندگان | ||
| آرش محمدی؛ حمید سلطانیان زاده* | ||
| چکیده | ||
| در این مقاله روشی برای کاهش بعد فضای ویژگی تصاویر تشدید مغناطیسی مغز به سه بعد جهت ایجاد امکان تجسم توزیع داده ها در فضا و بخشبندی تصاویر پیشنهاد میشود. از شبکه عصبی پیشخورد برای تولید ویژگی های جدید استفاده میشود. پارامترهای شبکه عصبی توسط الگوریتم ژنی بگونه ای تعیین میشوند که داده های تبدیل یافته در خروجی شبکه عصبی تابع هدف معینی را بهینه نمایند. سه تابع هدف معرفی میشوند که بر مبنای تابع خطای سامون عمل می کنند و در دو تا از آنها محدودیتی به این معیار خطا اضافه شده است. داده های فضای ویژگی سه بعدی بدست آمده را میتوان از طریق ترسیم تصویر پرسپکتیو هیستوگرام سه بعدی مجسم نمود و با تعیین حدود مرز خوشه های داده در این تصویر ،تصاویر تشدید مغناطیسی را بخشبندی کرد . نتایج بدست آمده از روشهای پیشنهادی با نتایج روشهای تبدیل خطی و تبدیل شبکه عصبی پس انتشار خطا(BPNN) مقایسه میشوند. دو روش پیشنهادی که از توابع هدف پیشنهادی اول و دوم استفاده می کنند، برای یک سری تصویر MR شبیه سازی شده نتیجه ای بمراتب بهتر از سایر روشها را از نظر ایجاد خوشه های متمایز از هم ارایه میدهند .همچنین به لحاظ تفکیک بافتهای غیرعادی در 10 سری تصویر MR واقعی،نتایج حاصل از این دو روش بخشبندی با خطای کمتری نسبت به روشهای قبلی در اختیار قرار میدهند. | ||
| کلیدواژه‌ها | ||
| استخراج ویژگی؛ الگوریتم ژنی؛ بخش بندی؛ تصاویر MIR؛ شبکه عصبی؛ کاهش بعد | ||
| عنوان مقاله [English] | ||
| - | ||
| چکیده [English] | ||
| In this paper , a method of dimensionality reduction for MR image sequence data OF brain to a three-dimensional space is presented. Reduction of dimensions is motivated by the need to visualize the distribution of data and interactively segment the MR image sequence. New feature space is extracted using a non-linear neural network. A genetic algorithm is use to search for the neural network parameters such that the transformed data in the network output optimized a specific objective function. Three objective functions of proposed based on Sommon’s cost functions were in to of them constraint is added to the cost function . The data in the three-dimensional(3-D) output feature space is visualized using the perspective image of the 3-D histogram. MR images are segmented interactively by determining the cluster centers in the perspective images. The results of the proposed methods are compared with those of linear transformation and back-propagation neural network (BPNN) methods. For simulated MR images , to of the proposed criterions product better results in terms of cluster separation. Based on 10 real MR image sequence data the same to criterions result in lower segmentation error rates. | ||
|
آمار تعداد مشاهده مقاله: 1,619 تعداد دریافت فایل اصل مقاله: 848 |
||