Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 3

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

3D visualization of human body internal structures surface during stereo-endoscopic operations using computer vision techniques

Selivanova Karina, Avrunin Oleg G., Tymkovych Maksym Y., Manhora Tamila V., Bezverkhyi Oleh S., Omiotek Zbigniew, Kalizhanova Aliya, Kozbakova Ainur

Przegląd Elektrotechniczny

2021

R. 97, nr 9

30--33

The paper describes visualization steps of the surface of internal structures of the human body during stereo-endoscopic and laparoscopic operations using modern computer vision techniques. The presented stages make it possible to obtain three-dimensional representation (more useful for representation and analysis), which is especially important for assessing the state of the examined area and for training health care specialists. The direction of further research is the development of training tools using the proposed approaches.

W pracy opisano etapy wizualizacji powierzchni struktur wewnętrznych ciała ludzkiego podczas operacji stereo-endoskopowych i laparoskopowych z wykorzystaniem nowoczesnych technik widzenia komputerowego. Przedstawione etapy pozwalają na uzyskanie trójwymiarowej reprezentacji (bardziej przydatnej do reprezentacji i analizy), co jest szczególnie istotne dla oceny stanu badanego obszaru oraz dla szkolenia specjalistów ochrony zdrowia. Kierunkiem dalszych badań jest opracowanie narzędzi szkoleniowych wykorzystujących proponowane podejście.

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.

The use of the Hellwig's method for feature selection in the detection of myeloma bone destruction based on radiographic images

Omiotek Zbigniew, Stepanchenko Olga, Wójcik Waldemar, Legieć Wojciech, Szatkowska Malgorzata

Biocybernetics and Biomedical Engineering

2019

Vol. 39, no. 2

328--338

The radiological test is cost-effective, widely available, allows for the visualisation of large areas of the skeleton and can identify long bones potentially at risk for fractures in osteolysis sites. Therefore, radiology is often used in the early stages of multiple myeloma, in the detection and characterisation of complications, and in the assessment of the patient's response to treatment. The accuracy of this method can be improved through the use of appropriate algorithms of computer image processing and analysis. In the study, the feature vector based on humerus CR images was extracted. As a result of the analysis, 279 image descriptors were obtained. Hellwig's method in the selection process was applied. It found the set of feature combinations of the largest integral index of information capacity. To evaluate these combinations, 11 classifiers were built and tested. As a result, 2 feature sets were identified that provided the highest classification accuracy in combination with the K-NN classifier. The 9-NN classifier for the first combination (2 features) was used and 5-NN for the second one (3 features). The classification accuracy (depending on the quality index used) was as follows: overall classification accuracy – 93%, classification sensitivity – 92%, classification specificity – 96%, positive predictive value – 96% and negative predictive value – 93%. Results show that: (1) the use of humerus CR images may be useful in the detection of bone damages caused by multiple myeloma; (2) the Hellwig's method is effective in the feature selection of the analysed kind of images.