دانلود ترجمه مقاله طبقه بندی مورفولوژی سلولی و کاهش درهم ریختگی در فاز کنتراست تصاویر میکروسکوپی
ترجمه در قالب فایل Word و قابل ویرایش میباشد
سال انتشار:2010
تعداد صفحه ترجمه:58
تعداد صفحه فایل انگلیسی:15
موضوع انگلیسی :Cell morphology classification and clutter mitigation
in phase-contrast microscopy images using machine learning
موضوع فارسی:دانلود ترجمه مقاله طبقه بندی مورفولوژی سلولی و کاهش درهم ریختگی در فاز کنتراست تصاویر میکروسکوپی
چکیده انگلیسی:Abstract We propose using machine learning techniques
to analyze the shape of living cells in phase-contrast microscopy
images. Large scale studies of cell shape are needed to
understand the response of cells to their environment. Manual
analysis of thousands of microscopy images, however,
is time-consuming and error-prone and necessitates automated
tools.We showhowa combination of shape-based and
appearance-based features of fibroblast cells can be used to
classify their morphological state, using the Adaboost algorithm.
The classification accuracy of our method approaches
the agreement between two expert observers.We also address
the important issue of clutter mitigation by developing a
machine learning approach to distinguish between clutter and
cells in time-lapse microscopy image sequences.
چکیده فارسی:در حال حاضر تحقیق درمورد روش استدلال تحت عدم قطعیت، تا حد زیادی به این دلیل که قابل ثبت شدن، ذخیره‌شدن، و پردازش حجم عظیمی از داده‌ها میباشد، یکی از مهیج‌ترین حوزه‌های هوش مصنوعی است. درحالی که دستاوردهای قابل توجه الگوی مسله‌های طبقه‌بندی مانند تشخیص کاراکترهای دست خط، تشخیص چهره، تشخیص صحبت‌کردن، و پیش‌بینی تابع ژن را ساخته اند، حتی جالب است که در آستانه معرفی سیستم محققین می‌توانند در مقیاس‌بزرگ تجزیه و تحلیل ترکیبی داده‌ها، تجزیه داده به درون اجزای تعاملی را انجام دهند. برای مثال، روش های محاسباتی برای تحلیل صحنه در حال حاضر در جامعه بینایی کامپیوتر با هم ادغام شده‌اند. این روش‌ها تصاویر ورودی را به درون اشیا تشکیل دهنده‌اش، شرایط نوری الگوی حرکتی و غیره تجزیه می‌کنند. دو چالش اصلی پیدا کردن نمایش و مدل موثر در برنامه‌های کاربردی ویژه و یافتن الگوریتم کارآمد برای استنتاج و یادگیری در این مدل‌ها میباشد. در این مقاله، از استفاده از مدل احتمالی مبتنی بر گراف و استنتاج های وابسته به آنها و الگوریتم‌های یادگیری حمایت می‌کنیم. تکنیک نهایی و تقریب‌های مختلف، تکنیک‌های موثر محاسباتی، شامل حالت شرطی تکراری، الگوریتم حداکثر انتظار (EM) ، نمونه سازی Gibbs، روش میدان میانگین، روش تغییرات، تکنیک تغییرات ساختاریافته و الگوریتم جمع-ضرب را مورد بررسی قرار دادیم (انتشار عقیده "loopy"). و نیز شرح می‌دهیم که چگونه هرتکنیک می‌تواند در مدل بینایی متعدد، مسدود کردن اشیا و و ساختن رفتار و عملکرد تکنیک‌ها با استفاده از تابع هزینه واحد، انرژی آزاد بکار گرفته شده‌است.
