سلام
با غیرفعال کردن قسمت‌های دیگر فایل (صفحات اولیه جلد و ...، فصول و ...) جدول را ظاهر کردم.
c یعنی center ستون وسط‌چین هست. عرض ستون به عرض محتوای داخل سلول ارتباط داره.
p{width} ستونی به عرض width ایجاد میکنه. مثلا 14mm یا 1.4cm یا 20pt و ....
r و l هم مشابه c ولی تراز متن داخل ستون بصورت راست‌چین یا چپ‌چین هست.
برای ستون‌هایی که متن طولانی بصورت پاراگرفای دارین به جای پارامتر c از p{30mm} استفاده کنین. (۳۰ یک مثال هست)
\begin{landscape}
\footnotesize
\begin{longtable}{|c|c|p{26mm}|p{32mm}| p{22mm} |p{39mm}|p{39mm}|p{39mm}|}
\hline
\textbf{ردیف} & \textbf{سال} & \textbf{هدف} & \textbf{روش} & \textbf{دستگاه سونوگرافی} & \textbf{مجموعه داده} & \textbf{معیار ارزیابی} & \textbf{مزایا} \\ \hline
۱ & ۲۰۱۸ & تشخیص کبد چرب & استخراج ویژگی به وسیله مدل‌های CNN از پیش آموزش دیده همچون Inception ResNet-v2 و طبقه‌بندی با SVM & GE Vivid E9 & B-mode steatosis liver assessment IJCARS & ROC/AUC, Accuracy, Sensitivity, Specificity & - استفاده از مدل‌های CNN از پیش آموزش دیده - دقت بالا - روش نیمه‌تهاجمی، کم‌هزینه و در دسترس با استفاده از تصویربرداری سونوگرافی \\ \hline
۲ & ۲۰۱۷ & توسعه یک مدل تشخیص با استفاده از یادگیری عمیق روی تصاویر پزشکی & استفاده از مدل‌های CNN از پیش آموزش دیده همچون ResNet-50 و VGG19 & گزارش نشده & B-mode US images the Department of Gastroenterology, Taipei Medical University Hospital & Accuracy, Sensitivity, Specificity, F1-Score, MCC & - استفاده از مدل‌های CNN از پیش آموزش دیده - دقت accuracy و sensitivity بالا - روش نیمه‌تهاجمی تشخیص برای کبد چرب - هزینه‌ی پایین سونوگرافی شکم \\ \hline
۳ & ۲۰۱۷ & ارائه یک طبقه‌بندی ترکیبی برای وضعیت کبد & استفاده از مدل‌های CNN از پیش آموزش دیده (ResNet-50) و ویژگی‌های دستی (هندسی و بافت) ترکیب شده در یک طبقه‌بند چند کلاسه & Toshiba Sonolayer SSA250A & مجموعه داده شخصی & Accuracy, Sensitivity, Specificity & - پیشنهاد یک کبد چرب چند مرحله‌ای طبقه‌بندی تصاویر کبد بر اساس یک طبقه‌بندی ترکیبی \\ \hline
۴ & ۲۰۱۹ & پایداری و تطبیق یک الگوریتم برای طبقه‌بندی کبد چرب و طبقه‌بندی طبقه‌بندی کلاس انتقال & استخراج ویژگی به وسیله مدل‌های CNN از پیش آموزش دیده همچون Inception ResNet-v2, GoogleNet و طبقه‌بندی با SVM & GE Vivid E9 & B-mode steatosis liver assessment IJCARS & ROC/AUC, Accuracy, Sensitivity, Specificity, k-fold loss & - دقت بالا در طبقه‌بندی تصاویر سونوگرافی کبد \\ \hline
۵ & ۲۰۱۸ & استفاده از روش‌های مدل‌های CNN (یادگیری عمیق) و مقایسه آن با ویژگی‌های ترکیبی و مدهای تشخیص MRI & استفاده از مدل‌های CNN از پیش آموزش دیده همچون VGG-16, Inception-v3 و طبقه‌بندی کلاس چندکلاسه & Siemens Acuson NX3 S2000 & مجموعه داده شخصی & Accuracy, Sensitivity, Specificity, Precision & - استفاده از مدل‌های CNN از پیش آموزش دیده - دقت accuracy و precision بالا \\ \hline
۶ & ۲۰۱۹ & استخراج ویژگی به وسیله مدل‌های CNN از پیش آموزش دیده همچون Inception ResNet-v2 و طبقه‌بندی Softmax & GE Vivid E9 & B-mode steatosis liver assessment IJCARS & ROC/AUC, Accuracy, Sensitivity, Specificity & - استفاده از مدل‌های CNN از پیش آموزش دیده - نیمه‌تهاجمی و کم‌هزینه \\ \hline
۷ & ۲۰۱۹ & تشخیص کبد چرب با ترکیب سه روش یادگیری ماشین (RF, SVM, ANN) با استفاده از نظریه‌ی Dempster-Shafer & - & Indian Liver Patient Dataset ILPD & Accuracy, Sensitivity, Specificity & - افزایش دقت با تلفیق اینرسی و پیچیدگی محاسباتی \\ \hline
\end{longtable}
\end{landscape}
خروجی:
عرض ستون‌ها را می‌تونین بنا به متن و اهمیتش تغییر بدین.
نکته:
لاتین‌ها رو داخل lr بنویسین.
\lr{Toshiba Sonolayer SSA250A}
هم از چپ می‌نویسه و برعکس نوشته نمیشه هم فونت لاتین بهش میده. الان فونت متون لاتین شما، فونت فارسی به خودش گرفته.
موفقترباشین
(در صورت اتمام پرسش و پاسخ، با زدن تیک کنار اول پاسخ، سوال را از لیست پرسش‌های بدون پاسخ، خارج بفرمایین بیزحمت.)
