This paper presents a new algorithm where the UNet convolutional neural network was used to correct deterministic algorithm results, as was is another similar solution using the DBar deterministic algorithm. Instead of the DBar algorithm, another EIT reconstruction algorithm was used in the context cooperation with impedance tomography to extract details in EIT reconstruction. The algorithm uses machine learning to improve the tomographic images obtained with the deterministic algorithm. The final result contains much less noise, and the position of the objects is much better defined, unlike in the deterministic approach. Furthermore, the paper shows how the reconstruction obtained with the hybrid tomograph can be improved to show more details. This paper aims to present a solution that will be used in the context of medical tomography, where the EIT system and the developed algorithm will be used to obtain high-resolution tomography images of the bladder.
PL
Ten artykuł prezentuje nowy algorytm, gdzie sieć konwolucyjna UNet była użyta do korekcji wyników algorytmu deterministycznego jak było w podobnym rozwiązaniu używającym deterministyczny algorytm DBar. Zamiast algorytmu DBar inny algorytm rekonstrukcji EIT został użyty w kontekscie współpracy z tomografią impedancyjną w celu wyodrębnienia szczegółów rekonstrukcji EIT. Algorytm używa uczenie maszynowe do polepszenia obrazów tomograficznych uzyskanych za pomocą algorytmu deterministycznego. Artykuł pokazuje jak rekonstrukcja uzyskana za pomocą tomografu hybrydowego może być ulepszona by ukazywałą więcej szczegółów. Celem tego artykułu jest zaprezentowanie rozwiązania, które będzie użyte w kontekscie tomografii medycznej, gdzie system EIT wraz z którym opracowany algorytm będzie użyty w celu uzyskania wysokiej rozdzielczości obrazów tomograficznych pęcherza moczowego.
2
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
This paper presents a new 3D segmentation algorithm for lung segmentation tasks on CT series. The algorithm consists of a 2D stage (for each slice) which is performed parallelly and 3D postprocessing after merging to 3D. The 2D stage consists of 2D preprocessing, Chan - Vese segmentation, and 2D postprocessing. This algorithm was tested on the set of 60 CT series containing labelled data enable to its assessment. The results of the algorithm are close to deep learning approaches. This algorithm will be an element of a commercial expert system for medical applications where some patient assessment will be necessary based on segmented human organs.
PL
Ten artykuł prezentuje nowy algorytm segmentacji 3D do zadań segmentacji płuc na seriach z tomografii komputerowej. Ten algorytm składa się z etapu 2D (dla każdego przekroju) który jest wykonywany równolegle i post-processingu 3D po scaleniu wyników do 3D. Etap 2D składa się z pre-processingu 2D, segmentacji Chan – Vese I post-processingu 2D. Algorytm był przetestowany na zbiorze 60 serii obtazów z tomografii komputerowej zawierających zaetykietowane dane co umożliwiło jego ocenę. Wyniki algorytmu są przybliżonej dokładności do rozwiązań deep learning. Algorytm ten będzie elementem komercyjnego system ekspertowego do zastosowań medycznych, gdzie niezbędna będzie ocena pacienta bazując na segmentowanych organach człowieka.
Stuttering is a speech impediment that is a very complex disorder. It is difficult to diagnose and treat, and is of unknown initiation, despite the large number of studies in this field. Stuttering can take many forms and varies from person to person, and it can change under the influence of external factors. Diagnosing and treating speech disorders such as stuttering requires from a speech therapist, not only good professional prepa-ration, but also experience gained through research and practice in the field. The use of acoustic methods in combination with elements of artificial intelligence makes it possible to objectively assess the disorder, as well as to control the effects of treatment. The main aim of the study was to present an algorithm for automatic recognition of fillers disfluency in the statements of people who stutter. This is done on the basis of their parameterized features in the amplitude-frequency space. The work provides as well, exemplary results demonstrating their possibility and effectiveness. In order to verify and optimize the procedures, the statements of seven stutterers with duration of 2 to 4 minutes were selected. Over 70% efficiency and predictability of automatic detection of these disfluencies was achieved. The use of an automatic method in conjunction with therapy for a stuttering person can give us the opportunity to objectively assess the disorder, as well as to evaluate the progress of therapy.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.