دانلود ترجمه مقاله یک رویکرد خودکار مبتنی بر گراف برای طبقه‌بندی سرخرگسیاهرگ در تصاویر شبکیه‌ای
ترجمه در قالب فایل Word و قابل ویرایش میباشد
سال انتشار:2014
تعداد صفحه ترجمه:24
تعداد صفحه فایل انگلیسی:11
موضوع انگلیسی :An Automatic Graph-Based Approach for
Artery/Vein Classification in Retinal Images
موضوع فارسی: دانلود ترجمه مقاله یک رویکرد خودکار مبتنی بر گراف برای طبقه‌بندی سرخرگسیاهرگ در تصاویر شبکیه‌ای
چکیده انگلیسی:Abstract—The classification of retinal vessels into artery/vein
(A/V) is an important phase for automating the detection
of vascular changes, and for the calculation of characteristic
signs associated with several systemic diseases such as diabetes,
hypertension, and other cardiovascular conditions. This paper
presents an automatic approach for A/V classification based on
the analysis of a graph extracted from the retinal vasculature. The
proposed method classifies the entire vascular tree deciding on the
type of each intersection point (graph nodes) and assigning one of
two labels to each vessel segment (graph links). Final classification
of a vessel segment as A/V is performed through the combination
of the graph-based labeling results with a set of intensity features.
The results of this proposed method are compared with manual
labeling for three public databases. Accuracy values of 88.3%,
87.4%, and 89.8% are obtained for the images of the INSPIREAVR,
DRIVE, and VICAVR databases, respectively. These results
demonstrate that our method outperforms recent approaches for
A/V classification.
چکیده فارسی:طبقه‌بندی رگ‌‌های شبکیه‌ای به سرخرگ/سیاهرگ (AV)، یک مرحله‌ی مهم برای خودکار کردن کشف تغییرات عروقی، و برای محاسبه‌ی علامات مشخصه مربوط به چندین بیماری سیستمیک از قبیل دیابت، فشار خون و سایر شرایط قلب و عروقی است. این مقاله، یک رویکرد خودکار را برای طبقه‌بندی A/V بر اساس تجزیه و تحلیل یک گراف استخراج شده از عروق شبکیه‌ای ارائه می‌دهد. روش ارائه شده، کل درخت عروقی را با در نظر گرفتن نوع هر نقظه‌ی اشتراک (ندهای گراف) و اختصاص یکی از دو برچسب به هر بخش رگی (لینک‌های گراف) طبقه‌بندی می‌کند. طبقه‌بندی نهایی یک بخش رگی به عنوان A/V از طریق ترکیب نتایج برچسب‌دهی مبتنی بر گراف با یک مجموعه از ویژگی‌های شدتی (کثرتی) انجام می‌شود. نتایج این روش ارائه شده با برچسب گذاری دستی برای سه پایگاه داده‌ی عمومی مقایسه می‌شوند. مقادیر درستی ۸۸/۳ درصد، ۸۷/۴ درصد و ۸۹/۸ درصد به ترتیب برای تصاویر پایگاه‌های داده‌ی INSPIREAVR، DRIVE و VICAVR به دست می‌آیند. این نتایج نشان می‌دهند که روش ما بهتر از رویکردهای اخیر برای طبقه‌بندی A/V عمل می‌کنند
