تقسيم ‌بندی ضایعات سكته‌ مغزی با الگوریتم جنگل تصادفی

دانلود ترجمه مقاله تقسيم ‌بندی ضایعات سكته‌ مغزی با الگوریتم جنگل تصادفی

ترجمه مقاله A novel framework for sub-acute stroke lesion segmentation based on random forest

در این پست ترجمه مقاله تقسيم ‌بندی ضایعات سكته‌ مغزی با الگوریتم جنگل تصادفی را برای شما دوستان آماده کردیم که علاوه بر چکیده و مقدمه می توانید جزئیات دقیق آن را با دانلود رایگان خود مقاله اصلی بدست آورید.

چکیده تقسيم ‌بندی ضایعات سكته‌ مغزی تحت ‌حاد با الگوریتم جنگل تصادفی :

نورو ایمیجینگ (تصویر برداری عصبی) در زمینه‌ سكته‌ مغزی، رفته رفته به موضوع مهمی تبدیل می‌ شود. كمی ‌سازی و توصیف ضایعات مغزی، همچنان یک چالش محسوب می‌ گردد. در این مقاله، چارچوب جدیدی برای حل این مسئله ارائه می‌كنیم. ویژگی‌ های‌ مورد استفاده‌ ما، شدت ‌های تكه ‌های تصاویر چند وجهی و چند مقیاسی تشدید مغناطیسی (MR) هستند.

ما طبقه ‌بندی‌ كننده‌ های جنگل تصادفی را برای بخش‌ های مختلف كل مغز ساختیم. نتیجه‌ی اعتبار سنجی متقابل  leave-one-out بر اساس داده ‌های آموزشی SISS، مقدار 0.55 را بر حسب امتیاز تاس به دست می‌ دهد. قابل ذکر است عنوان دقیق فارسی این مقاله ” تقسيم ‌بندی ضایعات سكته‌ مغزی تحت ‌حاد با الگوریتم جنگل تصادفی” می باشد. توضیحات بیشتر ترجمه مقاله تقسیم ‌بندی ضایعات سكته‌ مغزی تحت ‌حاد با الگوریتم جنگل تصادفی و دانلود رایگان مقاله اصلی در ادامه مطلب.

مقدمه تقسیم ‌بندی ضایعات سكته‌ مغزی تحت ‌حاد با الگوریتم جنگل تصادفی :

سكته‌ مغزی، یک حادثه‌ی مغزی – عروقی است كه در آن، به خاطر كاهش جریان خون، بخشی از عملكرد مغز از بین می‌رود و دومین علت اصلی مرگ و میر محسوب می‌شود و ممكن است باعث معلولیت طولانی‌ مدت گردد از تكنیک های پیشرفته‌ی نورو ایمیجینگ به طور گسترده‌ای برای تشخیص سكته‌ی مغزی استفاده می‌شود. به طور معمول توصیه می‌‌شود كه بیماران از تصویر برداری MR یا توموگرافی كامپیوتری (CT) استفاده كنند. تصویربرداری انتشار وزنی (DWI)، بازیابی وارونگی ضعیف T2-fluid (FlAIR)، تصویربرداری T1-weighted ، و تصویر برداری T2-weighted باید در ردیف MR قرار گیرند. این روش‌ها، روش‌های استاندارد طلایی برای درمان سكته‌ی مغزی در نظر گرفته می‌شوند، زیرا می‌توانند انواع مختلف ضایعات را نشان دهند.

چکیده انگلیسی :

Neuroimaging in the context of stroke lesions is still an open challenge in this paper we propose a novel framework to solve this problem the features we use are intensities of patches from multiscale multimodal magnetic resonance images we have built random forest calassifiers for different parts of the whole brain Aleave – one – out cross – validation result on siss training data yields 0.55 in dicescore.