Wyniki wyszukiwania - BazTech

1

Usage of artificial neural networks in the diagnosis of knee joint disorders

Witkowski Konrad, Wieczorek Mikołaj

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2023

|

T. 13, nr 4

11--14

EN

Following article address the issue of automatic knee disorder diagnose with usage of neural networks. We proposed several hybrid neuralnet architectures which aim to successfully classify abnormalityusing MRI (magnetic resonance imaging) images acquired from publicly available dataset. To construct such combinations of modelswe used pretrainedAlexnet, Resnet18 and Resnet34 downloaded from Torchvision. Experiments showedthat for certain abnormalities our models can achieve up to 90% accuracy.

PL

Niniejszy artykuł porusza temat automatycznej diagnozy uszkodzenia stawu kolanowego z zastosowaniem sieci neuronowych. Zaproponowanokilka hybrydowych sieci neuronowych, które podjęły próbę poprawnej klasyfikacji nieprawidłowości wykorzystując zdjęcia rezonansu magnetycznego pochodzące z publicznie dostępnego zbioru. Do konstrukcjikombinacji sieci skorzystanoz pretrenowanych modeli (Alexnet, Resnet18, Resnet34) pobranychz Torchvision. Eksperyment pokazał, że dla klasyfikacji niektórych schorzeń modele osiągnęły nawet 90% skuteczności.

2

Optimization driven Deep Convolution Neural Network for brain tumor classification

Kumar Sharan, Mankame Dattatreya P.

Biocybernetics and Biomedical Engineering

|

2020

|

Vol. 40, no. 3

1190--1204

EN

The classification and segmentation of the tumor is an interesting area that differentiates the tumorous cells and the non-tumorous cells to identify the tumor level. The segmentation from MRI is a challenge because of its varying sizes of images and huge datasets. Different techniques were developed in the literature for brain tumor classification but due to accuracy and ineffective decision making, the existing techniques failed to provide improved classification. This work introduces an optimized deep learning mechanism; named Dolphin-SCA based Deep CNN, to improve the accuracy and to make effective decisions in classification. Initially, the input MRI images are given to the pre-processing and then, subjected to the segmentation process. The segmentation process is carried out using a fuzzy deformable fusion model with Dolphin Echolocation based Sine Cosine Algorithm (Dolphin-SCA). Then, the feature extraction process is performed based on power LDP and statistical features, like mean, variance, and skewness. The extracted features are used in the Deep Convolution Neural Network (Deep CNN) for performing the brain tumor classification with Dolphin-SCA as the training algorithm. The experimentation is performed using the MRI images taken from the BRATS database and SimBRATS, and the proposed technique has shown superior performance with a maximum accuracy of 0.963.

3

Klasyfikacja tekstury obrazów za pomocą dyskretnego przekształcenia falkowego z zastosowaniem do analizy obrazów tomograficznych rezonansu magnetycznego

Kociołek M.

Elektronika : prace naukowe

|

2003

|

nr 8

53-73

PL

W niniejszej pracy opisano zastosowanie cech tekstury wyznaczanych na podstawie współczynników dwuwymiarowego dyskretnego przekształcenia falkowego do klasyfikacji tekstury obrazów. W ramach prowadzonych badań opracowano metodą wyznaczania "falkowych" cech tekstury dla nieregularnych obszarów zainteresowania. Zbadano skuteczność zaproponowanej metody klasyfikacji tekstur w odniesieniu do powszechnie uznanego zbioru tekstur testowych. Porównano skuteczność klasyfikacji wybranych klas tekstur obrazów MRI za pomocą proponowanych cech falkowych z dużym zbiorem innych cech tekstury. Ponadto zbadano wpływ zależności wartości cech "falkowych" od przesunięcia obszaru zainteresowania na wynik klasyfikacji tekstur. W pracy wykazano dużą skuteczność zaproponowanej metody do klasyfikacji tekstury zarówno obrazów naturalnych jak i obrazów tomograficznych rezonansu magnetycznego. Artykuł stanowi streszczenie rozprawy doktorskiej autora.

EN

This paper presents application of 2D discrete wavelet transform derived features for digital image texture classification. A new method of computation of wavelet derived texture features for irregular regions of interest was proposed. This texture classification method was tested on Brodatz and MRI texture sets. Texture classification efficiency for selected MRI images by means of proposed features was compared to a large number of statistical and model-based features. Also, the influence of feature shift invariance on classification result was investigated. The robustness of the proposed method for classification of both natural and MRI textures was demonstrated. This work summarises Author`s Ph.D. thesis, defended in September 2003 in the Institute of Electronics, Technical University of Łódź.