
Farnaz Hoseini
Farnaz Hosseini was born in 1989 in Ardabil. She studied computer science, focusing on software, progressing from an associate degree to a doctorate. In 2008, she graduated first in her class from Ardabil Technical and Vocational University with an associate degree and continued her studies in software engineering, obtaining her bachelor's degree in 2011. That same year, she was accepted into a master's program and received her degree in 2013. In 2014, she became a full-time doctoral student in engineering and completed this program in 2018. She worked as an assistant professor at the Computer Engineering Department of Shahriyar University of Astara from 2015 to 2020. Since then, she has joined the Technical and Vocational University (TVU) as an assistant professor. From 2020 to 2022, she served as the president of Ardabil National Skill University (NUS) and is currently working as a faculty member at NUS. Her research interests include software engineering, deep learning, image processing, parallel processing, fuzzy systems, and machine learning.
Phone: 09336633068
Phone: 09336633068
less
Related Authors
Sa'ed Abed
University of Kuwait
zahra emrani
University of Tehran
Olaf Storaasli
Other
Kalaiselvi T
Gandhigram Rural University
Sriramakrishnan P
GANDHIGRAM RURAL INSTITUTE
Shekoofeh Azizi
University of British Columbia
Uploads
Papers by Farnaz Hoseini
مغز اطلاعاتي ارزشمند در مورد بافت و قسمتهاي مختلف مغز بدست مي- MR ميدهد. راديولوژيستها با استفاده از تصاوير عدم كنتراست بالاي تصوير و پيچيدگي بالاي يك ،MR آورند. راديولوژيستها و پزشكان در مواردي از جمله نويزي بودن تصاوير ضايعه در درون مغز، ممكن است در تشخيص با مشكل مواجه شوند. همچنين خستگي راديولوژيست و پزشك نيز ميتواند يكي
از دلايل عدم تشخيص صحيح در درمان باشد. بنابراين ميتوان نتيجه گرفت استفاده از يك الگوريتم هوشمند قدرتمند در كنار مغز ميتواند قابليت دقت تشخيص راديولوژيست و پزشك را در شناسايي بيماري مغزي افزايش دهد. با توجه به اين MR تصاوير مغزي استفاده شده MR و استخراج ويژگيهاي محلي جهت طبقهبندي تصاوير Ripplet مورد در اين پاياننامه از تركيب تبديل
ميباشد. روش MR است كه هدف از ارائه روش معرفي شده افزايش معيارهاي دقت، حساسيت و ويژگي براي طبقهبندي تصاوير پيشنهادي با استفاده از نرم افزار متلب پيادهسازي گرديده است. نتايج حاصل از پيادهسازي با دقت ٩٧ % و خطاي كم، طبقه بندي مغزي را انجام داده به طوري كه باعث عملكرد بهتر نسبت به ساير روشها شده است.
مغز اطلاعاتي ارزشمند در مورد بافت و قسمتهاي مختلف مغز بدست مي- MR ميدهد. راديولوژيستها با استفاده از تصاوير عدم كنتراست بالاي تصوير و پيچيدگي بالاي يك ،MR آورند. راديولوژيستها و پزشكان در مواردي از جمله نويزي بودن تصاوير ضايعه در درون مغز، ممكن است در تشخيص با مشكل مواجه شوند. همچنين خستگي راديولوژيست و پزشك نيز ميتواند يكي
از دلايل عدم تشخيص صحيح در درمان باشد. بنابراين ميتوان نتيجه گرفت استفاده از يك الگوريتم هوشمند قدرتمند در كنار مغز ميتواند قابليت دقت تشخيص راديولوژيست و پزشك را در شناسايي بيماري مغزي افزايش دهد. با توجه به اين MR تصاوير مغزي استفاده شده MR و استخراج ويژگيهاي محلي جهت طبقهبندي تصاوير Ripplet مورد در اين پاياننامه از تركيب تبديل
ميباشد. روش MR است كه هدف از ارائه روش معرفي شده افزايش معيارهاي دقت، حساسيت و ويژگي براي طبقهبندي تصاوير پيشنهادي با استفاده از نرم افزار متلب پيادهسازي گرديده است. نتايج حاصل از پيادهسازي با دقت ٩٧ % و خطاي كم، طبقه بندي مغزي را انجام داده به طوري كه باعث عملكرد بهتر نسبت به ساير روشها شده است.