در این مقاله، با توجه به موفقیت روش های خوشه بندی مبتنی بر k-means، یک روش کاهش ویژگی بر پایه k-means وزن دار ارائه می شود. در روش پیشنهادی، نخست با استفاده از روش k-means وزن دار، به ویژگی های داده ها وزن داده می شود. ویژگی های وزین تر ضرورتا ویژگی های مهمتر نیستند و وزن هر ویژگی، تنها بازه هر ویژگی را به نحوی تغییر می دهد که خوشه بندی بهتری صورت بگیرد. لذا، سپس با استفاده از یک مدل ریاضی جدید، کسری از ویژگی های وزندار شده داده های هر خوشه انتخاب می شود به نحوی که کمترین تغییر در خوشه ها حاصل شود. تعداد ویژگی های منتخب هر خوشه در روش پیشنهادی، برخلاف روش های مشابهی چون k-means تنک و fuzzy c-means تنک بصورت صریح تعیین می شود. درضمن، آزمایش های تجربی روی چهار مجموعه داده واقعی نشان می دهد که روش پیشنهادی، از دقت بیشتری نسبت به روش های L1PCA, LLE و روش K-means تُنُک برخوردار است. پرونده مقاله

هدف این مقاله ارائه روشی برای تشخیص ندول سرطانی در عکس‌های رادیوگرافی ریه می‌باشد. تصاویر رادیوگرافی عمدتا دارای کیفیت پایینی هستند و استخراج ویژگی از تصاویر به سهولت ممکن نیست. برای این منظور در این مقاله، چارچوب پیشنهادی، در ابتدا، تصاویر پالایش‌شده تا کیفیت‌ تصاویر از نظر سطح روشنایی و کنتراست بهبود یابد. سپس عملیات مورفولوژی و آستانه‌گذاری جهت قطعه‌بندی نواحی ریه انجام می‌گردد. در مرحله‌ی بعد با قراردادن یک قاب 65 در 65 بر روی نواحی مشکوک، آن‌ها را از تصویر جدا می‌کنیم. در مرحله چهارم که مهمترین نوآوری تحقیق است، از یک شبکه باور عمیق به منظور دسته‌بندی و تصمیم‌گیری استفاده شده است. مزیت این شبکه توانایی استخراج ویژگی‌های جدید و طبقه‌بندی آن‌ها به‌ صورت همزمان است. با توجه به آزمایش ها بر روی پایگاه داده JSRT، روش پیشنهادی با بدست‌آوردن نرخ حساسیت 97.78 درصد و صحت 92 درصد، در مقایسه با روش‌های پیشین موفق عمل کرده است. پرونده مقاله