مقالات ترجمه شده دانشگاهی ایران

شبکه‌های عصبی ریخت شناختی سلولهای سینه

شبکه‌های عصبی ریخت شناختی سلولهای سینه

شبکه‌های عصبی ریخت شناختی سلولهای سینه – ایران ترجمه – Irantarjomeh

 

مقالات ترجمه شده آماده گروه پزشکی

مقالات ترجمه شده آماده کل گروه های دانشگاهی

مقالات

چگونگی سفارش مقاله

الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.

قیمت

قیمت این مقاله: 38000 تومان (ایران ترجمه - Irantarjomeh)

توضیح

بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.

مقالات ترجمه شده پزشکی - ایران ترجمه - Irantarjomeh
شماره
۲۹
کد مقاله
MDSN29
مترجم
گروه مترجمین ایران ترجمه – irantarjomeh
نام فارسی
شبکه‌های عصبی جهت ارزیابی خصیصه‌های ریخت شناختی به منظور دسته بندی سلولهای سینه
نام انگلیسی
Neural Networks to Evaluate Morphological Features for Breast Cells Classification
تعداد صفحه به فارسی
۲۶
تعداد صفحه به انگلیسی
۸
کلمات کلیدی به فارسی
ویژگی های ریخت شناختی، سرطان سینه، FNA، شبکه عصبی، دسته بندی
کلمات کلیدی به انگلیسی
Morphological features, Breast cancer, Fine needle, aspirates, Neural network, Classification
مرجع به فارسی
آموزشکده مهندسی برق و الکترونیک، آموزشکده علوم پزشکی دانشگاه سینز مالزی
مرجع به انگلیسی
School of Medical Science, Universiti Sains Malaysia
کشور
مالزی

 

شبکه‌های عصبی جهت ارزیابی خصیصه‌های ریخت شناختی به منظور دسته بندی سلولهای سینه
چکیده
پیشرفت های سریع تکنولوژی باعث دستاوردهای قابل توجهی در کاربردهای پزشکی شده است. تشخیص سرطان در مراحل اولیه آن قطعا به عنوان یکی از مسایل بسیار مهم برای انجام روالهای درمانی به صورت موثر و قطعی می‌باشد. نوآوری های حاصل شده در زمینه ویژگیهای تشخیصی تومورها می‌تواند نقش مرکزی و مهمی‌را در توسعه روشهای درمانی جدید بازی نماید. از اینرو هدف از این مطالعه ارزیابی خصیصه های ریخت شناختی یا مورفولوژیکی پیشنهادی جهت دسته بندی سلول های سرطانی سینه می‌باشد. در این مقاله، خصیصه های ریخت شناسی با استفاده از شبکه های عصبی مورد تجزیه و تحلیل قرار می‌گیرند. این خصیصه ها، جهت بررسی مناسب ترین روش شبکه عصبی به منظور طبقه بندی خصیصه ها به صورت موثر، در معرض چندین مورد از روالها و معماری های شبکه عصبی قرار گرفت. عملکرد این شبکه ها بر مبنای نتایج به دست آمده از میانگین مربعات خطا، مثبت کاذب، منفی کاذب، حساسیت و ویژگی خاص مورد مقایسه قرار گرفت. بهترین شبکه جهت دسته بندی سلولهای سرطانی سینه از طریق شبکه پیوندی محافظت چند لایه (HMLP) مشخص گردید. این شبکه به منظور بررسی قابلیت تشخیصی خصیصه ها به صورت منفرد و به صورت ترکیبی به کار گرفته شد. بر این اساس مشخص گردید که چنین خصیصه هایی دارای قابلیت های تشخیصی مهمی‌می‌باشند. آموزش شبکه با استفاده از خصیصه های ریخت‌شناختی بارز، به نظر باعث افزایش قابل توجه قابلیت های تشخیصی گردیده است. ترکیبی از خصیصه های پیشنهادی بالاترین میزان دقت، ۹۶% ، را حاصل آورده است.

کلمات کلیدی: ویژگی های ریخت شناختی، سرطان سینه، FNA، شبکه عصبی، دسته بندی

 

شبکه‌های عصبی ریخت شناختی سلولهای سینه

۱- مقدمه

سرطان سینه یکی از شایع ترین سرطان های تشخیص داده شده می‌باشد و این عارضه خود به عنوان یکی از بیماری هایی بشمار می‌آید که منجر به بوجود آمدن آن دسته از سرطان هایی می‌شود که نهایتاً به مرگ بیماران زن منتهی می‌گردد. بر اساس برآوردها در حدود یک زن در بین دوازده زن ممکن است در طول دوره حیات خود دچار عارضه سرطان سینه شود. اکثریت بیمارانی که از سرطان سینه رنج می‌برند (۹۵%)، این عارضه را به صورت تصادفی گرفته اند. تنها بخش کوچکی، مخصوصاً زنانی که در سن جوانی می‌باشند، این عارضه را به واسطه صفت کاملا نافذ اتوزومی-‌ غالب گرفته اند. پیشرفتهای قابل توجهی در امر شناسایی و یافتن ویژگی های ریخت شناسانه این تومورها بوجود آمده است. تومورهایی که در حقیقت جزء آن دسته از تومورها به شمار می‌آیند که مسئول بروز سرطان سینه به صورت ارثی می‌باشند. تشخیص زود هنگام به عنوان یک پارامتر کلیدی جهت شناسایی مرحله پیشرفت بیماری مد نظر می‌باشد و در صورتی که شناسایی زودرس حاصل آید می‌توان نسبت به اعمال رویه های درمانی مناسب اقدام نمود(سانیل،۱۹۹۹) .

شبکه‌های عصبی ریخت شناختی سلولهای سینه

۲- برخی از تحقیقات مرتبط

یک مطالعه مفصل در زمینه طبقه بندی سرطان سینه بر مبنای خصیصه های ریخت شناسی سرطان سینه به وسیله بسیاری از محققین انجام شده است. بر حسب اکتشافات اخیر، الگوریتمهای بسیاری به منظور تشخیص طبقه بندی سلول های سرطان سینه با استفاده از شبکه‌های عصبی انجام گرفته است. به کارگیری الگوریتم ریخت شناسی مرتبط بر روی تصاویر ماموگراف دیجیتالی می‌تواند در زمینه تشخیص تومورهای سرطان سینه راه گشا باشد. علاوه بر این، الگوریتم پشتیبان بردار ماشینی  قابلیت تولید ابرصفحه ای را خواهد داشت که می‌تواند تمایز خاصی را بین داده های ورودی سیستم شبکه پرسپترون  چندلایه ای ایجاد نموده و بر اساس این تمایز پارامترهای مربوطه را به دو کلاس با حداکثر- حاشیه مربوطه، جهت طبقه بندی بخشهای عمده مربوط به سینه، تقسیم می‌نماید.

 

شبکه‌های عصبی ریخت شناختی سلولهای سینه

 

۳- خصیصه های مورفولوژیکی

در این مطالعه، خصیصه های مورفولوژیکی تشریحی به فرم یا ساختار ریخت شناسی سلولهای پستانی رجوع دارد. خصیصه های مورفولوژیکی اطلاعاتی را در زمینه اندازه، شکل و بافت یک سلول ارائه می‌نمایند. سلولهای سینه جزء مواردی بشمار می‌آیند که از طریق یاخته و شناسی FNA، که شامل موارد خوش خیم و بد خیم می‌باشد، حاصل می‌شود. به طور کلی، خصیصه های عمومی‌الگوهای بدخیم عبارتند از:
۱-            بازده سلولی بالا
۲-            جمعیت واحد سلول های مخاطی بی قاعده
۳-            کلاسترهای زاویه ای بی قاعده سلولهای نامشخص و بی قاعده
۴-            حالت کاهش چسبندگی سلول های مخاطی
۵-            بزرگ شدگی هسته ای و بی قاعدگی بصورت درجات متغیر
۶-            سلول های واحد با سفیده یاخته یا سیتوپلاسم دست نخورده
۷-            غیبت هسته ساده منحصربفرد از نوع خوش خیم
۸-            نیکروز یا مرگ نسوج- که در صورت وجود دارای اهمیت بسزایی می‌باشد
از طرف دیگر بافت های خوش خیم به صورت کلی دارای میزان بازدهی اندکی می‌باشند. صفحات سلول های مجرایی همراه با هسته های یکنواخت کوچک هسته مخاطی ماهیچه‌ای در بین سلول های مخاطی به میزان زیادی بروز خواهد نمود. این مسئله همچنین به صورت یک عارضه آشکار شدگی تک لایه، هسته بیضوی شکل که از توده های مخاطی جدا می‌شود نمود می‌یابد (تروت ۱۹۹۶).

شبکه‌های عصبی ریخت شناختی سلولهای سینه

 

۴- روش شناسی

در این مطالعه، بررسی های اولیه در زمینه تعیین شبکه مناسب به منظور ارزیابی شبکه متناسب برای طبقه بندی سلول های سرطانی سینه مورد تحقیق و بررسی قرار گرفت. خصیصه های مورفولوژیکی داده های بدست آمده از لکه های FNA به عنوان مارکرهای ورودی جهت آموزش شبکه های عصبی مصنوعی بکار گرفته شد. مارکرهای ورودی انتخابی جزء مواردی به شمار می‌آمدند که بوسیله آن دسته از متخصصین آسیب شناسی انتخاب شده بودند که خود در امر مدیریت سرطان سینه درگیر بودند. این مارکرها بر مبنای خصیصه های تشخیصی متمرکز بوده و بصورت معمول در طی روال های تشخیصی مورد توجه قرار می‌گیرند. خصیصه های پیشنهادی ترکیبی از موارد بین مقادیر سازنده و مقادیر دسته بندی شده به شمار می‌آید که بر اساس روال های دسته بندی و طبقه بندی کننده مدنظر، تحت فرآیند همگون سازی یا استاندارد سازی قرار گرفته اند.
بهترین معماری شبکه بر مبنای نتایج بدست آمده از تست ها براساس موارد ذیل حاصل شده است:
۱- دقت طبقه بندی، مثبت نادرست، منفی نادرست، حساسیت و درصد ویژگی.
۲- میانگین مربعات خطا (MSE) نزدیک ترین یا مساوی با صفر. برای راحتی مقایسه، مقادیر MSE برحسب واحد دسی بل (dB) مورد ارزیابی قرار گرفتند.
شبکه بهینه مشخص شده پس از این مورد جهت بهره گیری از خصیصه های مورفولوژیکی به صورت موثر مورد استفاده قرار گرفت. در طی این مرحله، ترکیبات واحد و گوناگون خصیصه های سینه در معرض روال های شبکه ای قرار گرفته و بر این اساس دسته بندی های لازم به وجود آمد. هریک از این خصیصه ها به ترتیب جهت ارزیابی تأثیر عملکرد تشخیصی شبکه حذف گردیدند.
۱-۴ فراگیری اطلاعات
یک داده بالینی در خصوص ۸۰۴ مورد برای این مطالعه مورد بهره برداری قرار گرفت. این داده ها از اطلاعات نمونه های آزمایشگاهی سلول سینه FNA استخراج گردید. روش لک زایی Papanicolou استاندارد همانگونه که در بخش مرجع تشریح شده است (بن‌کرافت و استیونز، ۱۹۸۲)، در این زمینه قبل از آنکه نسبت به بررسی تصاویر سلولی به وسیله نرم افزار آنالیزگر Leica Qwin استفاده شود، مورد استفاده قرار گرفته شد. این نرم افزار بوسیله یک کامپیوتر متصل به میکروسکوپ دیجیتالی  مورد استفاده قرار می‌گیرد. نمونه های آزمایشگاهی به صورت معمول جهت مشخص نمودن وضعیت کلی تصویر و موقعیت نسبی آن مورد بررسی قرار می‌گیرند و بر این اساس با بررسی موارد لک‌دار نسبت به تعیین نکات قابل توجه اقدام می‌شود. پس از آن ، با بزرگنمایی ۴۰ برابر و منبع نور، اقدامات سنجشی اعمال شده و سپس محاسبات بر روی نمونه های آغشته اعمال می‌گردد. برای تصویر برداری و اخذ تصاویر مربوطه از یک فن شناسی سلولی کمک گرفته می‌شود. هدف از این کار حذف گوناگونی های مرتبط با  سنجش های بصری می‌باشد.
۲-۴ آموزش وتست داده
خصیصه های مورفولوژیکی به دست آمده از FNA سلول های سینه به منظور آموزش وتست شبکه های عصبی به کار گرفته شد. مجموعاً میزان ۸۰۴ نمونه FNA سلول های سینه مورد آنالیز قرار گرفته و هریک از داده ها به عنوان مواردی مجزا مدنظر گرفت. بر این اساس ۵۳۸ مورد خوش خیم (۶۷%) و ۲۶۶ مورد بدخیم (۳۳%) گزارش شد. برای بررسی نوع شبکه مناسب، این حالت ها به صورت تصادفی انتخاب گردیده و به دو دسته اطلاعاتی گروه بندی شدند. اولین دسته بعداً خود به دو زیر مجموعه متمایز تفکیک گردید. اولین زیرمجموعه برای ارزیابی پارامترهای شبکه (آموزش شبکه) بکارکرفته شد، در حالیکه زیرمجموعه دوم جهت ارزیابی عملکرد این مدل (تست شبکه) مورد استفاده قرارگرفت.
۳-۴ بررسی شبکه عصبی بهینه
به منظور بررسی معماری شبکه عصبی بهینه برای تشخیص سلول های سرطانی سینه، داده‌های خصیصه های مورفولوژیکی در ابتدا برای ۶ نوع از شبکه عصبی بکار گرفته شد و عملکرد آنها مورد مقایسه قرار گرفت. شبکه‌های آموزش دیده عبارتند از : پرسپترون چندلایه (MLP)، پرسپترون چندلایه سیگموئید (MLPSig)، پرسپترون چندلایه هیبرید (HMLP)، تابع پایه رادیال (RBF)، تابع پایه رادیال هیبرید(HRBF) و نقشه های خود سازماندهی (SOM).
ساختار شبکه بهینه برای انواع شبکه عصبی مختلف می‌تواند متفاوت باشد. جهت اجتناب از یک معماری شبکه پیچیده و اطمینان از عملکرد بهتر از نقطه نظر اجرای زمانی، هریک از شبکه های عصبی بر مبنای معماری شبکه استاندارد بنا گردیدند. بنابراین، شبکه های عصبی بکارگرفته شده، تنها شامل ۳ لایه می‌باشند که عبارتند از لایه ورودی، لایه مخفی و لایه خروجی. بر این مبنا تنها یک گره خروجی وجود داشت که منطبق بر دسته بندی سلول های سرطان سینه بوده است.

شبکه‌های عصبی ریخت شناختی سلولهای سینه

 

۵- نتایج و مباحث

عملکرد کلیه شبکه های آموزش دیده با استفاده از داده‌های مورفولوژیکی در جدول ۳ مشخص شده است. این جدول نشان دهنده بهترین تعداد گره مخفی (HN) و دوره های مربوطه برای هر نوع از شبکه تحت بررسی می‌باشد. در این جدول می‌توان مشاهده نمود که کلیه شبکه های مورد بررسی قابلیت ارائه بیش از ۹۰% داده های تحت آموزش و آزمایش را به صورت دقیق خواهند داشت. با این وجود، تنها شبکه SOM مقادیر زیر ۹۰% (۸۴%) برای دقت داده های تست را در برداشت. در طی روال آموزش، شبکه HMLP بهترین عملکرد را با دقت ۹۶% و MSE dB 81/30 داشته در طی انجام روال تست بالاترین میزان دقت ۹۹% با حداقل MSE  dB 66/36- بوده است.
شبکه HMLP با ۷ گره مخفی و همچنین با استفاده از ۶ دوره تحت آموزش قرار گرفته تا آنکه بتوان نسبت به آنالیز ویژگی های مورفولوژیکی اقدام نمود. به هنگامیکه خصیصه های ورودی هر کدام در یک زمان حذف شوند، نتایج دسته بندی همانند شکل ۴ خواهد بود. FP%، FN%،SN%،SP% و ACC%  به عنوان درصدهای مثبت نادرست، منفی نادرست، حساسیت ، ویژگی و دقت به ترتیب می‌باشند. از جدول ۴ می‌توان برخی از مشاهدات را استنباط نمودکه عبارتند از:
۱-            ویژگی شبکه و دقت آن به هنگامیکه Ylength حذف می‌شود کاهش خواهد یافت (با استفاده از کلیه خصیصه ها به غیر از Ylength). افزایش در MSE و درصد مثبت نادرست بسیار بزرگ خواهد بود. این شبکه نمی‌تواند نسبت به شناسایی موارد خوش خیم به درستی اقدام نماید. Ylength به عنوان یک ویژگی تشخیصی مهم در نظر گرفته شده است.
۲-            حذف Xlength بر روی طبقه بندی به گونه ای تأثیر خواهد گذاشت که تنها موارد خوش‌خیم را به خوبی مشخص می‌سازد . بر این اساس این شبکه قادر نخواهد بود موارد بدخیم را به درستی تشخیص دهد. (منفی نادرست ۱۰۰%)، از اینرو باعث کاهش دقت کلی خواهد شد.MSE نیز تا میزان حداکثر افزایش خواهد یافت.
۳-            با حذف کلاستر این شبکه می‌تواند نسبت به شناسایی کلیه موارد بدخیم اقدام کند. با این وجود کاهشی در شناسایی موارد خوش خیم رخ خواهد داد و از اینرو باعث کاهش دقت کلی خواهد شد.
۴-            با حذف حالت گسسته می‌توان تأثیر مثبتی را بر روی حساسیت مشاهده نمود، اما تأثیر منفی بر نوع ویژگی خواهد داشت. دقت کلی تحت تأثیر قرار نخواهد گرفت. این حالت را می‌توان به صورت مقایسه ای مدنظر قرار داد، که البته به عنوان یک ویژگی مهم مدنظر نخواهد بود. با این حال، MSE افزایش یافته است. خصیصه گسسته (Discrete) ممکن است برای موارد مشکل، مفید باشد.
ترکیبات مختلف مارکرهای ورودی پس از آن برای شبکه HMLP مشخص می‌گردد. نتایج طبقه بندی بر روی کلیه داده ها در جدول ۵ تعیین شده است. با بکارگیری ورودی واحد در زمان شبکه HMLP می‌توان نتایج دسته بندی را همانند جدول ۶ ملاحظه کرد. بر این اساس برخی از ملاحظاتی را که ایجاد می‌شوند را می‌توان به شرح ذیل مدنظر قرار داد:
۱-            ترکیب خصیصه های Xlength و Ylength باعث ارتقای دقت طبقه بندی می‌گردد. بر این اساس شبکه جاری دارای ۱۰۰% حساسیت شده و هیچ گونه منفی نادرستی وجود نخواهد داشت. کلیه موارد بدخیم نیز به درستی شناسایی می‌شوند.
۲-            ترکیب ویژگی های کلاستر Xlength و  Ylength را می‌توان به درستی برای اغلب بیماران طبقه بندی نمود. در مقایسه با شبکه با Xlength و Ylength به تنهایی، اغلب موارد خوش خیم را نیز می‌توان به درستی مشخص ساخت، با وجود آنکه برخی از موارد بدخیم ممکن است اشتباه تشخیص داده شوند.
۳-            شبکه با ترکیب گسسته ، Xlength و Ylength قابلیت مشخص نمودن بسیاری از موارد بدخیم را خواهد داشت: با این وجود، بسیاری از موارد خوش خیم ممکن است نادرست باشند بر این اساس از دقت کلی سیستم کاسته می‌شود.
۴-            ترکیب حالت سلولی بودن و Xlength به میزان کمترین دقت طبقه بندی برای دو دسته بندی گره ورودی را خواهد داشت. در حالیکه ترکیب حالت سلولی بودن، گسسته و Xlength نیز پایین ترین حد دقت برای دسته بندی ۳ گره ورودی را خواهند داشت. با این حال، هر دوی این ترکیبات دارای حساسیت بیشتری برای مورد بدخیم در مقایسه با موارد خوش خیم هستند.
۵-            ویژگی Xlength به خودی خود دارای تأثیر مثبت بر روی حساسیت و تأثیر منفی بر روی ویژکی خواهد داشت. ترکیب این ویژکی با موارد دیگر برای شناسایی موارد بدخیم مهم خواهد بود.
۶-            کاربردهای ورودی واحد برای حالت سلولی بودن فوری، کلاستر ، گسسته یا Ylength دارای حساسیت برای موارد بدخیم نمی‌باشند(تنها موارد خوش خیم را شناسایی می‌کنند).

شبکه‌های عصبی ریخت شناختی سلولهای سینه

 

۶- نتیجه گیری

در این مطالعه، خصیصه های مورفولوژیکی به عنوان مواردی مشخص شد که دارای قابلیتهای تشخیصی می‌باشند. ویژگیهای واحد، قابلیت طبقه بندی درست را خواهند داشت. این امر نشان دهنده آن است که چنین خصیصه هایی قابلیت مشخص کردن تومورهای تهاجمی در سطح سلولی را دارا می‌باشند. با وجود آنکه این ویژگیها به صورت مستقل از اهمیت چندانی برخوردار نخواهند بود، آنها قابلیت ارائه میزان بالایی از دقت در حالت استفاده جمعی را خواهند داشت. این امر به هنگامی که از این خصیصه ها به صورت واحد استفاده شده است محرز گردیده است. آنها نتایج طبقه بندی بالایی را عرضه نداشته اند. اغلب خصیصه ها تنها موارد خوش خیم را به خوبی بیان داشته اند. به طور مثال، خصیصه Xlength به خودی خود بسیاری از موارد بدخیم را مشخص نموده است، اما این تشخیص به بهای داشتن موارد اشتباه در زمینه تشخیص موارد خوش خیم بوده است. به هنگامیکه Ylength نیز ترکیب گردیده است، کلیه موارد خوش خیم را می‌توان طبقه بندی نمود و همچنین اغلب موارد خوش خیم را می‌توان شناسایی کرد.
با وجود آنکه خصیصه Ylength قابلیت طبقه بندی کلیه موارد خوش خیم را به خودی خود دارد، هیچ کدام از موارد بدخیم با استفاده از آن شناسایی نشده است، با این وجود با استفاده از کلیه خصیصه های مورفولوژیکی به جزء Ylength می‌توان مشاهده نمود که عملکرد شبکه به صورت کلی دچار مشکل گردیده است. Ylength را می‌توان به عنوان یک خصیصه مهم نسبی در زمینه ویژگی های مورفولوژیکی به شمار آورد. به هنگامیکه ترکیبی از ویژگیهای سلولی، کلاستر، Xlength و Ylength به عنوان ورودی به شبکه HMLP استفاده می‌شود، بالاترین میزان دقت ۹۶% حاصل می‌گردد. با وجود آنکه این میزان  دقت بالا به هنگام بکارگیری کلیه خصیصه ها مشابه خواهد بود، اما حالت حساسیت و ویژگی آن بیشتر نمود خواهد یافت. این امر نشان دهنده این نکته می‌باشد که ترکیب مارکرها می‌تواند در طبقه بندی مفیدتر باشد، با وجود آنکه آنها به ظاهر از اهمیت لازم به خودی خود برخوردار نمی‌باشند. بنابراین، خصیصه‌های مورفولوژیکی دیگر که به ظاهر غیر مهم جلوه می‌نمایند را باید شامل نمود تا آنکه با توجه به تأثیرات آنها، به هنگامی که با دیگر مارکرها ترکیب می‌شوند، بتوان مطالعه قابل توجهی را انجام داد. بر حسب درصد دقت همانگونه که در بخش نتیجه مشخص شده است این مطالعه نسبتاً عملکرد بهتری را در مقایسه با تحقیقات قبلی حاصل نموده است.

شبکه‌های عصبی ریخت شناختی سلولهای سینه

 

۷- مطالعات آتی

از آنجایی که تعدادی از ویژگی های مورفولوژیکی به عنوان معیارهای مهم در ارتقای دقت طبقه بندی شبکه به شمار می‌آیند، لازم است تا از روال بررسی ویژگی های مورفولوژیکی با پتانسیل بالاتری بهره جست. اطلاعات در زمینه پیوندهای سلولی سلول های سینه را می‌توان به عنوان داده های ورودی به شبکه مد نظر قرار داد. این خصیصه ها ممکن است برای توسعه یک سیستم تشخیص سرطان سینه زود هنگام مفید باشند.
Irantarjomeh
لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.