Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: komputerowo wspomagana diagnoza

Sortuj według:

Ogranicz wyniki do:

Komputerowe rozumienie obrazów wspierające diagnostykę medyczną : zarys koncepcji

Przelaskowski A.

Inżynier i Fizyk Medyczny

2014

Vol. 3, nr 1

23--31

W artykule przedstawiono koncepcję komputerowego rozumienia obrazów medycznych, wykorzystującą tzw. seony do tworzenia modelu treści obrazowej istotnej diagnostycznie. Zakłada ona modelowanie efektu ‘umysłowego poznania’ na bazie percepcji informacji obrazowej w kontekście określonej wiedzy dziedzinowej (diagnostyka określonego schorzenia) oraz sytuacyjnej (wyniki badań ogólnych, specjalistycznych, innych diagnostycznych, czynniki ryzyka itp.). Celem jest integracja numerycznej reprezentacji obrazowej informacji diagnostycznej ze sformalizowanym modelem wiedzy danej dziedziny (np. w formie ontologii) oraz modelem subiektywnego procesu poznania obrazowanej rzeczywistości przez ekspertów. Wszystkie te elementy nawiązują do określonego zadania klinicznego. Taki zintegrowany model jest optymalizowany z kryterium maksymalnej ekstrakcji formalnych komponentów treści (czyli wspomniane seony), które mają decydującą rolę w rozumieniu i interpretacji obrazów. Obliczeniowe komponenty nabierają znaczenia diagnostycznego wskutek weryfikacji ich przydatności w subiektywnych testach klinicznych. Poszukiwane są jednak obliczeniowe wzorce oraz odpowiednie normy i metryki, które pozwolą wykrywać istotne komponenty w przypadku zupełnego braku ich percepcji w klasycznych formach odbioru treści obrazowej. Dostosowano prezentowaną metodę numerycznego rozumienia rejestrowanych danych obrazowych do ogólnie przyjętej metodyki komputerowego wspomagania diagnostyki (CAD) medycznej. Wybrano przy tym istotne zastosowania kliniczne, m.in. wspomaganie diagnostyki wczesnych udarów mózgu na bazie zobrazowań tomografii komputerowej (CT) oraz detekcję symptomów raka sutka w mammogramach.

The concept of computer understanding of medical images was presented. So-called seons were proposed to create model of diagnostically significant image content. The effect of mental cognition was considered with ability of visual perception to recognize information in the context of specific domain knowledge (e.g. conditions of a specific disease) and clinical data (i.e. results of general or specialistic examinations, other diagnosis, risk factors, etc.). Therefore, the research purpose was integration of the numerical representation of imaged diagnostic information with the formal model of domain knowledge (i.e. ontology) and the model of image subjective cognition by experts. All these issues relate to specific clinical tasks. This integrated model is optimized with the criterion of maximum extraction of formal components of content (represented by set of seons), which have a crucial role in the understanding and interpretation of the images. Computational components become diagnostically important due to the verification of their usefulness in the subjective clinical tests. However, computational patterns and relevant norms/metrics that allow to detect the essential components for a complete lack of visual perception according to classical procedures are sought. Moreover, discussed method of understanding the recorded image data was adjusted to methodology of computer-aided diagnosis (CAD) in medicine. Two important clinical applications, including acute stroke diagnosis with the computed tomography imaging (CT), and recognition of breast cancer in mammograms were indicated to illustrate possible applications.

Detection of Erythrocyte Cells in Microscopy Images

Frejlichowski D.

Przegląd Elektrotechniczny

2012

R. 88, nr 10b

264-267

In the paper an algorithm for automatic detection of red blood cells in microscopic images is described and investigated. For this purpose digital microscopic images stained by means of the MGG (May-Grunwald-Giemsa) method are applied. This method consists in three main stages. The first one is composed of the conversion to binary image using the modified histogram thresholding. The second one comprises the localisation and extraction of each separate object. The last stage covers the selection of erythrocytes and the rejection of other cells. The method described in the paper method gave the average efficiency above 83%, which is a promising result considering the specific characteristics of the investigated data as well as the large number of cells within an image.

W artykule przedstawiono i omówiono algorytm przeznaczony do automatycznej detekcji czerwonych krwinek na obrazach mikroskopowych. Do tego celu użyto cyfrowych obrazów mikroskopowych, barwionych metodą MGG (May-Grunwald-Giemsa). Metoda opiera się na trzech głównych etapach. Pierwszy to konwersja do obrazu binarnego przy użyciu zmodyfikowanego progowania histogramowego. Drugi to lokalizacja i ekstrakcja każdego obiektu oddzielnie. Ostatni to selekcja erytrocytów i odrzucenie pozostałych komórek krwi. Opisywana w artykule metoda dała średnią skuteczność przekraczającą 83 %, co jest obiecującym wynikiem, biorąc pod uwagę specyficzne cechy badanych danych oraz dużą liczbę komórek na obrazie.