Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Przegląd Elektrotechniczny

2 2024

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Intensity only multi-materials image reconstruction

Bagdaoui Amina, Bendaoudi Amina, Jaffari Ali

Przegląd Elektrotechniczny

2024

R. 100, nr 4

31--36

The phase retrieval problem is a challenging issue in image processing, which aims to reconstruct an object from magnitude-only mea surements in the Fourier domain. Most methods for phase retrieval are deterministic frameworks, and their results are often unsatisfactory when the available measured spectrum magnitude is corrupted by additive noise. The a priori knowledge characterizing the object is the finite number of homogeneous materials that compose it. This knowledge is represented by a Gauss-Markov prior. Iterative joint reconstruction and classification techniques are used to calculate a satisfactory reconstruction. The reconstructed image is obtained by first specifying the a posteriori distributions of all the unknowns, followed by the application of the Gibbs sampling algorithm to estimate the posterior mean of the unknowns. Simulation results are presented to demonstrate the accuracy of the proposed prior compared to the case where only the Potts-Markov prior is used.

Problem odzyskiwania fazy stanowi wyzwanie w przetwarzaniu obrazu, którego celem jest rekonstrukcja obiektu na podstawie pomiarów wielkości w domenie Fouriera. Większość metod odzyskiwania fazy to metody deterministyczne, a ich wyniki są często niezadowalające, gdy wielkość dostępnego zmierzonego widma jest zniekształcona przez szum addytywny. Wiedzą aprioryczną charakteryzującą obiekt jest skończona liczba jednorodnych materiałów, które go tworzą. Wiedzę te reprezentuje przeor Gaussa-Markowa. Aby obliczyć zadowalającą rekonstrukcję, stosuje się iteracyjne techniki rekonstrukcji i klasyfikacji stawów. Zrekonstruowany obraz uzyskuje się poprzez określenie rozkładów a posteriori wszystkich niewiadomychą następnie zastosowanie algorytmu próbkowania Gibbsa do oszacowania średniej późniejszej niewiadomych. Wyniki symulacji przedstawiono w celu wykazania dokładności proponowanego stanu pierwotnego w porównaniu z przypadkiem, w którym używany jest tylko stan Pottsa-Markow.

Automatic multi-segmentation method for tumor detection in MRI Images using constrained kmeans method and region Growing-Quasi Monte Carlo Method

Bagdaoui Amina, Chama Zouaoui, Hachemi Belkacem, El-Bay Bourennane

Przegląd Elektrotechniczny

2024

R. 100, nr 6

42--47

Magnetic Resonance Imaging (MRI) has become an indispensable tool in the medical field, enabling the detection of critical abnormalities affecting various organs within the human body. Despite its inherent complexity, the development of automated or semi-automated detection and recognition techniques has made significant strides. In this paper, we present an innovative approach for the automatic multi and full segmentation of tumor regions within MRI scans. An enhanced region-growing method founded on the Quasi-Monte Carlo sampling and constrained k-means algorithm is presented in this paper, we define distinct classes to facilitate precise segmentation. The efficacy of our technique is evaluated through a range of metrics, demonstrating its robust performance. The proposed fully automated multi-segmentation method showcases superior results and holds potential to supplant conventional techniques for tumor detection in MRI images.

Rezonans magnetyczny (MRI) stał się niezastąpionym narzędziem w medycynie, umożliwiającym wykrycie krytycznych nieprawidłowości wpływających na różne narządy w organizmie człowieka. Pomimo swojej nieodłącznej złożoności, rozwój zautomatyzowanych lub półautomatycznych technik wykrywania i rozpoznawania poczynił znaczne postępy. W artykule przedstawiamy innowacyjne podejście do automatycznej wieloi pełnej segmentacji obszarów nowotworowych w obrazach MRI. W artykule przedstawiono ulepszoną metodę powiększania, regionów opartą na próbkowaniu Quasi-Monte Carlo i ograniczonym algorytmie k- ̨średnich. Definiujemy odrębne klasy, aby u ̨ łatwi c precyzyjną segmentacje. Skuteczność naszej techniki ocenia się za pomocą szeregu wskaźników, co pokazuje jej solidne działanie. Proponowana w pełni zautomatyzowana metoda wielosegmentacyjna zapewnia doskonałe wyniki i może zastąpić konwencjonalne techniki wykrywania nowotworów na obrazach MRI.