Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 2019

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: sarcoidosis

Sortuj według:

Ogranicz wyniki do:

Sarkoidoza w badaniu MR

Stanowski Dariusz, Leksa Natalia, Truszkiewicz Adrian, Aebisher David, Bartusik-Aebisher Dorota

Inżynier i Fizyk Medyczny

2019

Vol. 8, nr 5

379--382

Rezonans magnetyczny jest podstawowym narzędziem w arsenale badań, jakim dysponuje dzisiejsza neurologia. Badanie to w sposób całkowicie nieinwazyjny pozwala odpowiedzieć na szereg pytań związanych zarówno z morfologią, jak również przemianami, jakie zachodzą w OUN. Niniejsza praca prezentuje opis przypadku sarkoidozy jako choroby, dla której rezonans magnetyczny jest metodą z wyboru. Praca ta ma na celu ukazanie rezonansu jako wszechstronnej metody diagnostycznej w neurologii. Sarkoidoza – przewlekła choroba układu odpornościowego. W chwili obecnej jej etiologia nie jest dostatecznie wyjaśniona. Możliwość występowania w niemal wszystkich narządach ciała oraz konieczność różnicowania z innymi jednostkami chorobowymi czyni jednostkę tę trudną w diagnostyce. Niniejsza praca prezentuje sarkoidozę w diagnostyce rezonansu magnetycznego (MR). Opis przypadku ukazuje zarówno spojrzenie kliniczne, jak również trudności diagnostyczne.

Magnetic resonance imaging is an essential tool in the research of today’s neurology. This study in a completely non-invasive way allows you to answer a number of questions related to both morphology as well as changes that occur in the CNS. This work presents a case report of sarcoidosis as a disease for which magnetic resonance imaging is the method of choice. This work aims to show resonance as a comprehensive diagnostic method in neurology. Sarcoidosis – a chronic disease of the immune system. At present, its etiology is not sufficiently explained. The possibility of occurring in almost all organs of the body and the need to differentiate with other disease entities makes this entity difficult to diagnose. This work presents sarcoidosis in magnetic resonance imaging (MR). The case report shows both clinical view and diagnostic difficulties.

The construction of the feature vector in the diagnosis of sarcoidosis based on the fractal analysis of CT chest images

Omiotek Zbigniew, Prokop Paweł

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2019

T. 9, nr 2

16--23

CT images corresponding to the cross-sections of the patients’ upper torso were analysed. The data set included the healthy class and 3 classes of cases affected by sarcoidosis. It was a state involving only the trachea – Sick(1), a state including trachea and lung parenchyma – Sick(2) and a state involving only lung parenchyma – Sick(3). Based on a fractal analysis and a feature selection by linear stepwise regression, 4 descriptors were obtained, which were later used in the classification process. These were 2 fractal dimensions calculated by the variation and box counting methods, lacunarity calculated also with the box counting method and the intercept parameter calculated using the power spectral density method. Two descriptors were obtained as a result of a gray image analysis, and 2 more were the effect of a binary image analysis. The effectiveness of the descriptors was verified using 8 popular classification methods. In the process of classifier testing, the overall classification accuracy was 90.97%, and the healthy cases were detected with the accuracy of 100%. In turn, the accuracy of recognition of the sick cases was: Sick(1) – 92.50%, Sick(2) – 87.50% and Sick(3) – 90.00%. In the classification process, the best results were obtained with the support vector machine and the naive Bayes classifier. The results of the research have shown the high efficiency of a fractal analysis as a tool for the feature vector extraction in the computer aided diagnosis of sarcoidosis.

Przeprowadzono analizę obrazów CT górnej części tułowia pacjentów. Zbiór danych zawierał klasę pacjentów zdrowych i 3 klasy przypadków dotkniętych sarkoidozą. Był to stan obejmujący tylko tchawicę – Sick(1), stan obejmujący tchawicę i miąższ płucny – Sick(2) i stan obejmujący tylko miąższ płucny – Sick(3). Na podstawie analizy fraktalnej oraz selekcji cech metodą liniowej regresji krokowej otrzymano 4 deskryptory, które później wykorzystano w procesie klasyfikacji. Były to 2 wymiary fraktalne obliczone za pomocą metod variation i box counting, lakunarność obliczona również za pomocą metody box counting oraz parametr intercept obliczony za pomocą metody widmowej gęstości mocy. W wyniku analizy obrazu szarego otrzymano 2 deskryptory, a 2 kolejne były efektem analizy obrazu binarnego. Skuteczność deskryptorów zweryfikowano za pomocą 8 popularnych metod klasyfikacji. W procesie testowania klasyfikatorów, ogólna dokładność klasyfikacji wyniosła 90,97%, a przypadki zdrowe wykryto z dokładnością 100%. Z kolei, dokładność rozpoznania przypadków chorych była następująca: Sick(1) – 92,50%, Sick(2) – 87,50% i Sick(3) – 90,00%. W procesie klasyfikacji, najlepsze wyniki uzyskano za pomocą maszyny wektorów nośnych i naiwnego klasyfikatora Bayesa. Wyniki badań pokazały wysoką skuteczność analizy fraktalnej jako narzędzia do ekstrakcji wektora cech w komputerowej diagnostyce sarkoidozy.