-
مقاله
1 - Mitosis detection in breast cancer histological images based on texture features using AdaBoostJournal of Information Systems and Telecommunication (JIST) , شماره 2 , سال 5 , بهار 2017Counting mitotic figures present in tissue samples from a patient with cancer, plays a crucial role in assessing the patient’s survival chances. In clinical practice, mitotic cells are counted manually by pathologists in order to grade the proliferative activity of brea چکیده کاملCounting mitotic figures present in tissue samples from a patient with cancer, plays a crucial role in assessing the patient’s survival chances. In clinical practice, mitotic cells are counted manually by pathologists in order to grade the proliferative activity of breast tumors. However, detecting mitoses under a microscope is a labourious, time-consuming task which can benefit from computer aided diagnosis. In this research we aim to detect mitotic cells present in breast cancer tissue, using only texture and pattern features. To classify cells into mitotic and non-mitotic classes, we use an AdaBoost classifier, an ensemble learning method which uses other (weak) classifiers to construct a strong classifier. 11 different classifiers were used separately as base learners, and their classification performance was recorded. The proposed ensemble classifier is tested on the standard MITOS-ATYPIA-14 dataset, where a pixel window around each cells center was extracted to be used as training data. It was observed that an AdaBoost that used Logistic Regression as its base learner achieved a F1 Score of 0.85 using only texture features as input which shows a significant performance improvement over status quo. It also observed that "Decision Trees" provides the best recall among base classifiers and "Random Forest" has the best Precision. پرونده مقاله -
مقاله
2 - بهبود تخمین سن از تصاویر پانورامیک دندان مبتني بر اصلاح کنتراست تصویر با روش آنتروپی مکانیفصلنامه مهندسی برق و مهندسی کامپيوتر ايران , شماره 88 , سال 19 , تابستان 1400در دندانپزشکی قانونی، تخمین سن با استفاده از رادیوگراف دندان صورت میگیرد. هدف ما، خودکارکردن این مراحل با استفاده از پردازش تصویر و تکنیکهای تشخیص الگو است. با داشتن رادیوگراف دندان، کانتور استخراج شده و ویژگیهایی مانند عرض اپکس (apex) و طول دندان از آن استخراج میش چکیده کاملدر دندانپزشکی قانونی، تخمین سن با استفاده از رادیوگراف دندان صورت میگیرد. هدف ما، خودکارکردن این مراحل با استفاده از پردازش تصویر و تکنیکهای تشخیص الگو است. با داشتن رادیوگراف دندان، کانتور استخراج شده و ویژگیهایی مانند عرض اپکس (apex) و طول دندان از آن استخراج میشود که در تخمین سن مورد استفاده قرار میگیرد. افزایش بهینه وضوح تصاویر رادیوگرافی، مرحله مهمی در استخراج کانتور و تخمین سن است. در این مقاله، هدف بهبود وضوح تصویر به منظور استخراج ناحیه مناسب و قطعهبندی مناسب دندان است که در نتیجه منجر به تخمین سن بهتری میشود. در این مدل، به دلیل پایینبودن وضوح تصاویر رادیوگراف، به منظور افزایش دقت استخراج ناحیه مورد نظر هر دندان (ROI)، وضوح تصویر با استفاده از آنتروپی مکانی که مبتنی بر توزیع مکانی شدت روشنایی پیکسلهاست، به همراه روشهای افزایش وضوح دیگر مانند هرمهای لاپلاسین، افزایش مییابد. افزایش وضوح تصویر، منجر به استخراج ROI مناسب و حذف نواحی ناخواسته میشود. پایگاه داده مورد استفاده در این پژوهش، 154 رادیوگراف پانورامیک نوجوانان است که 73 نفر آن مرد و 81 نفر آن زن هستند. این پایگاه داده از دانشگاه علوم پزشکی بابل تهیه شده است. نتایج نشان میدهد با استفاده از روشهای قطعهبندی دندان ثابت و فقط با اعمال روش پیشنهادی مؤثر در بهبود وضوح تصویر، استخراج ROI مناسب از 66% به 78% افزایش یافت که بهبود خوبی را نشان میدهد. سپس ROI استخراجشده، تحویل بلوک قطعهبندی و استخراج کانتور میشود و پس از استخراج کانتور، تخمین سن صورت میگیرد. تخمین سن صورتگرفته با استفاده از روش پیشنهادی، در مقایسه با روشی که از الگوریتم پیشنهادی در افزایش وضوح تصویر استفاده نمیکند، به مقدار تخمین دستی سن نزدیکتر است. پرونده مقاله