Wyniki wyszukiwania - BazTech

1

Methods for detecting and selecting areas on texture biomedical images of breast cancer

Orazayeva Ainur, Tussupov Jamalbek, Wójcik Waldemar, Pavlov Sergii, Abdikerimova Gulzira, Savytska Liudmyla

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2022

|

T. 12, nr 2

69--72

EN

This paper is devoted to topical issues - the development of methods for analyzing texture images of breast cancer. The main problem that is resolved in the article is that the requirements for the results of pre-processing are increasing. As a result of the task, images of magnetic resonance imaging of the breast are considered for image processing using texture image analysis methods. The main goal of the research is the development and implementation of algorithms that allow detecting and isolating a tumor in the breast in women in an image. To solve the problem, textural features, clustering, orthogonal transformations are used. The methods of analysis of texture images of breast cancer, carried out in the article, namely: Hadamard transform, oblique transform, discrete cosine transform, Daubechies transform, Legendre transform, the results of their software implementation on the example of biomedical images of oncological pathologies on the example of breast cancer, it is shown that The most informative for image segmentation is the method based on the Hadamard transform and the method based on the Haar transform. The article presents recommendations for using the results in practice, namely, it is shown that clinically important indicators that make a significant contribution to assessing the degree of pathology and the likelihood of developing diseases, there are other information parameters: diameter, curvature, etc. Therefore, increased requirements for the reliability, accuracy, speed of processing biomedical images.

PL

Niniejszy artykuł jest poświęcony aktualnemu tematowi - opracowaniu metod analizy obrazów tekstury raka piersi. Główny problem, który został rozwiązany w artykule, polega na tym, że wymagania wobec wyników przetwarzania wstępnego są coraz większe. W wyniku realizacji zadania rozpatrzono obrazy rezonansu magnetycznego piersi przeznaczone do przetwarzania metodami teksturowej analizy obrazu. Głównym celem badań jest opracowanie i wdrożenie algorytmów wykrywania i odróżniania na obrazie guza w piersi u kobiet. Do rozwiązania tego problemu wykorzystuje się cechy tekstury, grupowanie i transformacje ortogonalne. W artykule przedstawiono metody analizy obrazów teksturowych raka piersi, t j. transformatę Adamarda, transformatę skośną, transformatę dyskretno-cosinusową, transformatę Dobeshiego, transformatę Lejandre'a, oraz wyniki ich implementacji programowej na przykładzie obrazów biomedycznych patologii onkologicznej w przypadku raka piersi. Metoda oparta na transformacie Adamarda oraz metoda oparta na transformacie Haara są najbardziej przydatne do segmentacji obrazów. W artykule przedstawiono zalecenia dotyczące wykorzystania wyników w praktyce, a mianowicie wykazano, że inne parametry informacyjne, takie jak średnica, krzywizna itp. są ważnymi klinicznie wskaźnikami, które w istotny sposób przyczyniają się do oceny stopnia patologii i prawdopodobieństwa rozwoju choroby. W związku z tym wzrastają wymagania dotyczące niezawodności, dokładności i szybkości przetwarzania obrazów biomedycznych w urządzeniach diagnostycznych.

2

Detection of lung cancer on chest CT images using minimum redundancy maximum relevance feature selection method with convolutional neural networks

Togaçar Mesut, Ergen Burhan, Cömert Zafer

Biocybernetics and Biomedical Engineering

|

2020

|

Vol. 40, no. 1

23--39

EN

Lung cancer is a disease caused by the involuntary increase of cells in the lung tissue. Early detection of cancerous cells is of vital importance in the lungs providing oxygen to the human body and excretion of carbon dioxide in the body as a result of vital activities. In this study, the detection of lung cancers is realized using LeNet, AlexNet and VGG-16 deep learning models. The experiments were carried out on an open dataset composed of Computed Tomography (CT) images. In the experiment, convolutional neural networks (CNNs) were used for feature extraction and classification purposes. In order to increase the success rate of the classification, the image augmentation techniques, such as cutting, zooming, horizontal turning and filling, were applied to the dataset during the training of the models. Because of the outstanding success of AlexNet model, the features obtained from the last fully-connected layer of the model were separately applied as the input to linear regression (LR), linear discriminant analysis (LDA), decision tree (DT), support vector ma-chine (SVM), k -nearest neighbor (kNN) and softmax classifiers. A combination of AlexNet model and k NN classifier achieved the most efficient classification accuracy as 98.74 %. Then, the minimum redundancy maximum relevance (mRMR) feature selection method was applied to the deep feature set to choose the most efficient features. Consequently, the success rate was yielded as 99.51 % by reclassifying the dataset with the selected features and k NN model. The proposed model is consistent diagnosis model for lung cancer detection using chest CT images.

3

Biomedical image colorization using pixel membership propagation

Popowicz A., Smołka B.

Studia Informatica

|

2016

|

Vol. 37, nr 3A

7--19

EN

In the paper we present a new algorithm of biomedical image colorization based on distance transformation and modified bilateral filtering approach. The method utilizes the scribbles inserted by the user to properly cover the image regions with desirable colors. We present the idea of our algorithm, explain the role of tunable parameters and provide some examples of biomedical image colorization using our approach.

PL

W artykule przedstawiono nową technikę koloryzacji, wykorzystującą transformatę dystansową oraz modyfikację filtru bilateralnego. Proponowana metoda opiera się na wskaźnikach koloru wprowadzanych przez użytkownika w celu zgrubnego początkowego zaznaczenia oczekiwanych kolorów dla poszczególnych elementów obrazów. W artykule wyjaśniono zasadę działania algorytmu, role jego parametrów oraz przedstawiono przykłady barwnych obrazów biomedycznych uzyskanych dzięki proponowanej nowej technice.