fa تشخیص نوع تومور مغزی براساس مدل‌های فراکامل مبتنی‌بر ویژگی‌های بافتی و آماری الکترونیک Electronic پژوهشي Research <span style="font-size:13pt"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><span style="font-weight:bold"><span lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">تشخیص انواع تومور مغزی به کمک تصاویر ام‌آرآی در کنار دانش پزشکی می‌تواند به تصمیم‌گیری درستی در مورد وضعیت بیمار منتهی گردد. همچنین تشخیص خوش‌خیم یا بدخیم بودن تومور به دلیل لزوم بررسی جزئیات بافت و امکان خطا یکی از مسائل چالش برانگیز است. بنابراین پرداختن به این حوزه به کمک تکنیک‌های پردازش تصویر می‌تواند بسیار حائز اهمیت باشد. در این مقاله، به منظور تشخیص مناسب نوع تومور مغزی، انواع ویژگی‌های مختلف مبتنی‌بر بافت و مبتنی‌بر آمار مورد بررسی قرار گرفته و دسته‌ای از ویژگی‌های منتخب در این حوزه طبقه‌بندی مورد استفاده قرار می‌گیرد. سپس از تکنیک کدگذاری تنک و یادگیری واژه‌نامه به منظور آموزش مدل‌های فراکامل بازنمایی‌کننده مشخصات هر دسته داده استفاده می‌شود و دسته‌بندی داده‌ها براساس نرخ انرژی محاسبه شده ضرایب تنک صورت می‌گیرد. همچنین نتایج این دسته‌بندی با نتایج حاصل از دسته‌بندهای</span></span> <span lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">مبتنی‌بر شبکه عصبی و ماشین بردار پشتیبان مقایسه می‌گردد. نتایج شبیه‌سازی‌ها نشان می‌دهد</span></span> <span lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">که</span></span> <span lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">روش</span></span> <span lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">پیشنهادی مبتنی‌بر ویژگی‌های ترکیبی و آموزش مدل‌های فراکامل قادر به طبقه‌بندی مطلوب انواع تومور مغزی با دقت بالا خواهد بود.</span></span><span lang="FA" style="font-size:11.0pt"><span style="font-family:"B Nazanin""></span></span></span></span></span></span></span> <span style="font-size:17pt"><span new="" roman="" style="font-family:" times=""><span style="font-weight:bold"><span style="font-size:10.0pt"><span style="font-weight:normal">Classification of brain tumors using MRI images along with medical knowledge can lead to proper decision-making on the patient&#39;s condition. Also, classification of benign or malignant tumors is one of the challenging issues due to the need for detailed analysis of tumor tissue. Therefore, addressing this field using image processing techniques can be very important. In this paper, various types of texture-based and statistical-based features are used to determine the type of brain tumor and different types of features are applied in this classification procedure. Sparse coding and dictionary learning techniques are used to learn the over-complete models based on the characteristics of each data category. The classification process is carried out based on the calculated energy of the sparse coefficients. Also, the results of this categorization are compared with the results of the classification based on the neural network and support vector machine. The simulation results show that the proposed method based on the selected combinational features and learning the over-complete dictionaries can be able to classify the types of brain tumors precisely.</span></span></span></span></span> تشخیص تومور مغزی, ویژگی‌ مبتنی‌بر بافت, ویژگی‌ مبتنی‌بر آمار, بازنمایی تنک, آموزش مدل فراکامل‬‬ Classification, Brain tumor, Model Learning, Sparse representation, Statistical-based feature, Texture-based feature. 177 188 http://jiaeee.com/browse.php?a_code=A-10-626-2&slc_lang=fa&sid=1 Samira Mavaddati سمیرا مودّتی s.mavaddati@umz.ac.ir 100319475328460010462 100319475328460010462 Yes University of Mazandaran دانشکده فنی و مهندسی، دانشگاه مازندران