{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "TK397",
        "title": "استفاده از روش های بهینه سازی ازدحام ذرات برای انتخاب ویژگی های بهینه جهت تشخیص میکروکلسیفیکیشن ها در تصاویر ماموگرافی ",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1393",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "TK397",
        "title": "استفاده از روش های بهینه سازی ازدحام ذرات برای انتخاب ویژگی های بهینه جهت تشخیص میکروکلسیفیکیشن ها در تصاویر ماموگرافی ",
        "degree": null,
        "faculty": "مهندسی برق",
        "year": 1393,
        "authors": [
            {
                "name": "مهدی اکبری",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "سید علی سلیمانی ایوری",
                "role": "استاد راهنما"
            },
            {
                "name": "حسین خسروی",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "سرطان سینه",
            "ماموگرافی",
            "توده",
            "میکروکلسیفیکیشن",
            "ماتریس هم رخداد",
            "کلاسه بند ماشین بردار پشتیبان",
            "کلاسه بند شبکه عصبی"
        ],
        "abstract": "سرطان سینه شایع ترین نوع سرطان و دومین عامل مرگ و میر ناشی از سرطان در میان بانوان می باشد. در حال حاضر ماموگرافی یکی از بهترین روش های تشخیص زود هنگام سرطان سینه است. بیشترین ناهنجاری ها که ممکن است در سرطان سینه آشکار شوند، توده ها و میکروکلسیفیکیشن-ها(MCها) می باشند. ناهنجاری های سینه با دامنه وسیعی از ویژگی ها معرفی می شود. مطالعات نشان می دهد 15-30 درصد سرطان های سینه، ممکن است به آسانی توسط رادیولوژیست هایی که تصاویر را می خوانند، نادیده گرفته شود. با پیشرفت هایی که در زمینه پردازش تصاویر دیجیتال به وقوع پیوسته است ردایولوژیست ها این فرصت را یافته اند که این درصد خطا را کاهش دهند. برای کمک به رادیولوژیست ها جهت تشخیص دقیق بیماری سامانه های شناسایی پزشکی(CAD)  توسعه یافته اند. \r\nیک سیستم تشخیص در حالت کلی شامل مراحل پیش‎پردازش، استخراج ویژگی و کلاسه‎بند است. در این پایان نامه دو روش جهت تشخیص MCها از تصاویر ماموگرافی پیشنهاد شده و کارایی این روش ها در مقایسه با روش های موجود ارزیابی شده است. \r\nدر هر دو روش پیشنهادی، پس از پیش پردازش تصاویر ماموگرافی، با استخراج ویژگی های بافتی حاصل از ماتریس هم رخداد (GLCM)، اقدام به دسته بندی افراد با طبقه بندهای ماشین بردار پشتیبان (SVM) و شبکه عصبی می نماییم. در نهایت در روش پیشنهادی دوم، با انتخاب ویژگی های بهینه با استفاده از الگوریتم بهینه سازی ازدحام ذرات (PSO) و کلاسه بند ماشین بردار پشتیبان، بهترین نتیجه را در تشخیص MCها در تصاویر ماموگرافی بدست می آوریم .",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_TK397.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}