Over the past couple of decades, Ca

Over the past couple of decades, Case Based Reasoning (CBR) has evolved as a popular paradigm for decision
making in real world problems. CBR hinges on the fact that similar cases have similar solutions. This methodology
has been adapted from the physicians’ approach to diagnosis and therapy planning. The knowledge acquired by
medical experts is a combination of text book knowledge and knowledge acquired from clinical experience. The
basic idea of CBR 1 is to retrieve cases from a case database and establish the relevance between candidate and
prototype cases through a similarity measure. If the first case history involves the analysis and classification of sets
of longitudinal series of multimedia image sets, automatic indexing using digital content, referred to as ContentBased Image Retrieval (CBIR) 2 is a possible solution for defining similarity measures. Thus, retrieval of images
from a database based on similarity based criteria is an important procedure in CBR 3, 4, 5. When the retrieval process
involves heterogeneous information like images and contextual information, the CBR system encounters problems
in aggregating these variables and dealing with missing information. Decision trees 3 are well suited for retrieval to
process heterogeneous as well as incomplete information. This note proposes an approach to classify abnormalities
in fundus images of the retina using decision trees. The abnormalities of the retina that have been considered for the
present study are those arising from age related abnormalities like Age Related Macular Degeneration(AMD) and
those arising from Diabetic Retinopathy (DR) like micro aneurysm(MA), hard exudates (HE), cotton wool spots
(CWS) and hemorrhages. Table 1 lists the manifestations of the abnormalities as seen in retina fundus images,
obtained in public databases. To the best of our knowledge, there is no existing work combining AMD and DR. This
is a pioneer attempt in integrating contextual information with images.

ผลลัพธ์ (ไทย) 1:

กว่าสองทศวรรษที่ผ่านมา กรณีและปัญหาโดยใช้เหตุผล (CBR) มีพัฒนาเป็นกระบวนทัศน์ที่นิยมสำหรับการตัดสินใจทำให้เกิดปัญหาโลก คนแต่ความจริงที่ว่า กรณีคล้ายกันมีวิธีแก้ไขปัญหาที่คล้ายกัน วิธีการนี้มีการดัดแปลงจากวิธีของแพทย์เพื่อการวินิจฉัยและการวางแผนการรักษา ความรู้ที่ได้มาโดยผู้เชี่ยวชาญทางการแพทย์เป็นการรวมข้อความรู้หนังสือและความรู้ที่ได้มาจากประสบการณ์ทางคลินิก ที่ความคิดพื้นฐานของ CBR 1 จะเรียกคดีจากฐานข้อมูลของกรณีและปัญหา และสร้างความเกี่ยวข้องระหว่างผู้สมัคร และกรณีต้นแบบผ่านการวัดความคล้ายคลึงกัน ถ้าประวัติกรณีแรกเกี่ยวข้องกับการวิเคราะห์และจัดประเภทของชุดชุดระยะยาวของภาพมัลติมีเดีย ชุด ใช้เนื้อหาดิจิตอล การทำดัชนีอัตโนมัติที่อ้างอิงถึงเป็น ContentBased รูปเรียก (CBIR) 2 โซลูชันสำหรับการกำหนดมาตรการความคล้ายคลึงกันได้ ดังนั้น จึงเรียกภาพจากฐานข้อมูลตามความคล้ายคลึงกัน ตามเงื่อนไขเป็นกระบวนการสำคัญในคน 3, 4, 5 เมื่อเรียกการประมวลผลเกี่ยวข้องกับข้อมูลที่แตกต่างกันเช่นรูปภาพและข้อมูลบริบท ระบบคนพบปัญหาในการรวบรวมตัวแปรเหล่านี้ และจัดการกับข้อมูลที่หายไป ต้นไม้การตัดสินใจ 3 ซึ่งเหมาะสมสำหรับการเรียกไปกระบวนการบริการและข้อมูลที่ไม่สมบูรณ์ บันทึกนี้นำเสนอวิธีการในการจัดประเภทความผิดปกติในรูป fundus ของจอตาที่ใช้ต้นไม้ตัดสินใจ ความผิดปกติของจอตาที่ได้รับการพิจารณาในการศึกษาอยู่อาจจะเกิดจากอายุที่เกี่ยวข้องกับความผิดปกติเช่นอายุ Degeneration(AMD) Macular ที่เกี่ยวข้อง และที่เกิดจากโรคเบาหวานดวงตา (DR) เช่น aneurysm(MA) ไมโคร exudates ยาก (เขา) ผ้าขนสัตว์ฝ้ายจุด(CWS) และ hemorrhages ตารางที่ 1 แสดงลักษณะของความผิดปกติที่ดังที่เห็นในภาพเรตินา fundusได้รับในฐานข้อมูลสาธารณะ ส่วนความรู้ของเรา มีเป็นงานที่มีอยู่ไม่รวม AMD และดร.นี้เป็นความพยายามที่ผู้บุกเบิกในการรวมข้อมูลบริบทกับภาพ

ผลลัพธ์ (ไทย) 2:

ในช่วงสองสามทศวรรษที่ผ่านมากรณีตามเหตุผล (CBR) มีการพัฒนาเป็นกระบวนทัศน์ที่เป็นที่นิยมสำหรับการตัดสินใจ
ทำในปัญหาโลกแห่งความจริง CBR ขึ้นอยู่กับความจริงที่ว่ากรณีที่คล้ายกันมีการแก้ปัญหาที่คล้ายกัน วิธีการนี้
ได้รับการดัดแปลงมาจากวิธีการแพทย์เพื่อการวินิจฉัยและวางแผนการรักษา ความรู้ที่ได้มาโดย
ผู้เชี่ยวชาญทางการแพทย์คือการรวมกันของความรู้ตำราและความรู้ที่ได้มาจากประสบการณ์ทางคลินิก
แนวคิดพื้นฐานของ CBR 1 คือการดึงกรณีจากฐานข้อมูลกรณีและสร้างความสัมพันธ์ระหว่างผู้สมัครและ
กรณีต้นแบบผ่านการวัดความคล้ายคลึงกัน หากคดีประวัติศาสตร์ครั้งแรกที่เกี่ยวข้องกับการวิเคราะห์และการจัดชุด
ของชุดยาวของชุดภาพมัลติมีเดียการจัดทำดัชนีโดยอัตโนมัติโดยใช้เนื้อหาดิจิตอลที่เรียกว่า ContentBased ดึงภาพ (CBIR) 2 เป็นวิธีการแก้ปัญหาที่เป็นไปได้สำหรับการกำหนดมาตรการที่คล้ายคลึงกัน ดังนั้นการดึงภาพ
จากฐานข้อมูลขึ้นอยู่กับเกณฑ์ที่คล้ายคลึงกันตามเป็นขั้นตอนสำคัญในการ CBR 3, 4, 5 เมื่อขั้นตอนการดึง
ข้อมูลที่เกี่ยวข้องกับการที่แตกต่างกันเช่นภาพและข้อมูลตามบริบทระบบ CBR พบปัญหา
ในการรวมตัวแปรเหล่านี้และการจัดการกับ ข้อมูลที่ขาดหายไป ต้นไม้การตัดสินใจ 3 มีความเหมาะสมดีสำหรับการเรียกใช้ในการ
ประมวลผลที่แตกต่างกันเช่นเดียวกับข้อมูลที่ไม่สมบูรณ์ บันทึกนี้นำเสนอวิธีการในการจำแนกความผิดปกติของ
อวัยวะในภาพของจอประสาทตาโดยใช้ต้นไม้ตัดสินใจ ความผิดปกติของจอประสาทตาที่ได้รับการพิจารณาสำหรับการ
ศึกษาครั้งนี้คือผู้ที่เกิดจากความผิดปกติที่เกี่ยวข้องกับอายุเช่นอายุที่เกี่ยวข้องเสื่อมสภาพ (AMD) และ
ผู้ที่เกิดจากเบาหวาน (DR) เช่นปากทางไมโคร (MA) exudates แข็ง (HE) จุดสำลี
(CWS) และเลือด ตารางที่ 1 แสดงอาการของความผิดปกติที่เห็นในภาพจอประสาทตาอวัยวะที่
ได้รับในฐานข้อมูลสาธารณะ ที่ดีที่สุดของความรู้ของเราไม่มีการทำงานที่มีอยู่รวม AMD และ DR นี้
เป็นความพยายามที่เป็นผู้บุกเบิกในการบูรณาการข้อมูลบริบทที่มีภาพ

ผลลัพธ์ (ไทย) 3:

กว่าสองสามทศวรรษที่ผ่านมา กรณีใช้เหตุผล ( CBR ) มีวิวัฒนาการตามกระบวนทัศน์ที่นิยมสำหรับการตัดสินใจ
ทำให้ปัญหาโลกที่แท้จริง CBR ขึ้นอยู่กับความจริงที่ว่ากรณีที่คล้ายกัน มีโซลูชั่นที่คล้ายคลึงกัน นี้ได้รับการดัดแปลงมาจากวิธีการ
แพทย์แนวทางการวินิจฉัยและการวางแผนการรักษา ความรู้ที่ได้มาโดย
ผู้เชี่ยวชาญทางการแพทย์คือการรวมกันของความรู้หนังสือและความรู้ที่ได้มาจากประสบการณ์ทางคลินิก
คิดพื้นฐานของ CBR 1 จะเรียกกรณีจากกรณีฐานข้อมูล และสร้างความสัมพันธ์ระหว่างผู้สมัครและ
กรณีต้นแบบผ่านเหมือนวัด ถ้าประวัติศาสตร์คดีแรกเกี่ยวข้องกับการวิเคราะห์และการจัดหมวดหมู่ของชุด
ชุดตามยาวของมัลติมีเดีย ภาพชุดดัชนีโดยอัตโนมัติโดยใช้เนื้อหาดิจิตอล เรียกว่า contentbased การค้นคืนรูปภาพ ( cbir ) 2 เป็นโซลูชั่นที่เป็นไปได้สำหรับการกำหนดมาตรการที่คล้ายคลึงกัน ดังนั้น การดึงภาพจากฐานข้อมูลตาม
ความเหมือนตามเกณฑ์ที่เป็นขั้นตอนสำคัญในกลุ่ม 3 , 4 , 5 เมื่อกระบวนการกู้คืนข้อมูลข้อมูล
เกี่ยวข้องกับเช่นรูปภาพและข้อมูลตามบริบทระบบการทดสอบพบปัญหา
ในเครือตัวแปรเหล่านี้และจัดการกับข้อมูลที่หายไป . ต้นไม้ตัดสินใจ 3 เหมาะสำหรับการเรียกกระบวนการที่แตกต่างกัน

เป็นข้อมูลที่ไม่สมบูรณ์ บันทึกนี้นำเสนอวิธีการจำแนกความผิดปกติ
ในรูปของจอประสาทตาโดยใช้ต้นไม้เกิดการตัดสินใจ ความผิดปกติของจอประสาทตาที่ได้รับการพิจารณาสำหรับ
ปัจจุบันการศึกษาเป็นผู้ที่เกิดจากอายุที่เกี่ยวข้องกับความผิดปกติ เช่น จอประสาทตาเสื่อม ( AMD ) และ
ผู้ที่เกิดจากเบาหวาน ( ดร. ) เช่นไมโครหลอดเลือดโป่งพอง ( MA ) ยาก สารที่หลั่ง ( เขา ) , ผ้าขนสัตว์ฝ้ายปอ
( CWS ) และจุดเลือดออก . ตารางที่ 1 แสดงอาการของความผิดปกติที่เห็นในจอประสาทตาเกิดภาพ
ได้ในฐานข้อมูลสาธารณะ เพื่อที่ดีที่สุดของความรู้ของเราไม่มีที่มีอยู่งานรวมเอเอ็มดี และ ดร. นี้
เป็นผู้บุกเบิกพยายามในการบูรณาการข้อมูลบริบทที่มีภาพ