WSPOMAGANIE OBRAZOWEJ DIAGNOSTYKI
|
|
- Bartosz Bielecki
- 5 lat temu
- Przeglądów:
Transkrypt
1 WSPOMAGANIE OBRAZOWEJ DIAGNOSTYKI Adam Głowacz Techniki Obrazowania Medycznego
2 Plan prezentacji Wprowadzenie Systemy ACD i CAD Wstępne przetwarzanie obrazów Ekstrakcja cech Klasyfikacja Przykłady rozpoznawania obrazów w medycynie Podsumowanie i kierunki dalszych badań 2
3 Wprowadzenie (1) Co to jest obrazowa diagnostyka medyczna? Co jest wykorzystywane we Wspomaganiu obrazowej diagnostyki? Po co nam wspomaganie diagnostyki obrazowej? 3
4 Wprowadzenie (2) Obrazowa diagnostyka medyczna, inaczej diagnostyka obrazowa, bazuje przede wszystkim na symptomach pozyskanych w badaniach obrazowych, na podstawie danych obrazowych pochodzących z różnych systemów obrazowania medycznego. Skuteczna diagnostyka obrazowa zależy zarówno od jakości obrazowania medycznego, tj. metod akwizycji, rekonstrukcji i prezentacji obrazów, jak i od efektywności samego procesu diagnozy. 4
5 Wprowadzenie (3) Doskonalenie systemów obrazowania dokonuje się także dzięki wykorzystaniu nowoczesnych technologii komputerowych. Przykładowo, rekonstrukcja obrazów przestrzennych w tomografii komputerowej czy rezonansu magnetycznego w dużym stopniu zależy od jakości wykorzystanych algorytmów, mocy obliczeniowej i zasobów pamięciowych sprzętu komputerowego. 5
6 Wprowadzenie (4) Wspomaganie obrazowej diagnostyki wykorzystuje wiele metod analizy danych, algorytmów przetwarzania danych, detekcji i klasyfikacji informacji. Przykłady zastosowań wspomagania komputerowego w medycynie: inteligentne wspomaganie decyzji: diagnozy medyczne, zalecenia dodatkowych testów, decyzje w nagłych przypadkach; klasyfikacja struktur: rozpoznawanie symptomów, klasyfikacja stanu zdrowia, zachowań człowieka; 6
7 Wprowadzenie (5) kontrola: sprawdzanie dawek leków, możliwych interakcji leków, potencjalnych przeciwwskazań; planowanie: terapii, diety; sterowanie: urządzeń podtrzymujących funkcje życiowe, monitorowanie stanu pacjenta; analiza obrazów: rozpoznawanie i interpretacja obrazów z aparatury medycznej; prognozowanie: rozwoju choroby; selekcja cech: na co warto zwrócić uwagę; 7
8 Wprowadzenie (6) Detekcja zmian czy innych anormalności jest zwykle zadaniem ukierunkowanym na określony rodzaj patologii. Tak jest w badaniach przesiewowych, np. raka płuc, gdy poszukiwane są określone symptomy zmian chorobowych, a zadaniem radiologa jest detekcja wszystkich obszarów i cech podejrzanych w dużej masie wykonywanych badań. Przeglądane obrazy zawierają patologie w stosunkowo małym procencie (średnio 3-4 przypadki zmian rakowych na 1000). 8
9 Wprowadzenie (7) Zastosowanie technik komputerowych, śledzących określone, specyficzne cechy potencjalnych patologii i sygnalizujących obszary podejrzane z zadowalającą czułością, jest w tym przypadku bardzo pożądane. Wykryta zmiana opisywana jest za pomocą wielu cech, zaczynając od zmiany rozmiaru i kształtu, poprzez cechy obrazowe typu tekstura, średni poziom jasności, charakter krawędzi (zarys zmiany), kontrast lokalny, zróżnicowanie w stosunku do otoczenia. 9
10 Systemy ACD (1) Pierwsze metody komputerowej analizy obrazów medycznych opracowano już w latach 60. i 70. ubiegłego wieku. Optymistyczną wizją tych prac było zastąpienie radiologa przez komputer w detekcji podejrzanych zmian. Wizja ta wynikała w dużym stopniu z entuzjazmu towarzyszącemu rozwojowi nowych technik komputerowych. Chodziło o alternatywne w stosunku do radiologa podejmowanie decyzji diagnostycznych, czyli w pełni automatyczną, komputerową diagnozę (ACD automated computer diagnosis). Uzyskiwane wyniki nie przewyższały jednak ocen specjalistów pod względem trafności. 10
11 Systemy ACD (2) Uzyskiwane wskazania nie zawsze miały przewidywalny charakter, zależały od całej gamy nie do końca zdefiniowanych czynników. Entuzjazm towarzyszący tym pracom stopniowo malał, podobnie jak nadzieja związana z możliwościami zastąpienia człowieka przez komputer. Powodem był także, oprócz rozczarowania z ograniczonych efektów automatycznych diagnoz, także realny opór środowiska medycznego przed komputerowym zastępstwem. 11
12 Systemy CAD (1) Ograniczenia metod ACD wpłynęły na zmianę dominującej koncepcji wspomagania. Poprawę efektywności interpretacji badań uzyskano nie poprzez zastąpienie ocen radiologów wskazaniami narzędzi komputerowych, ale poprzez wyposażenie specjalistów w dodatkowe narzędzia, sugerujące zmiany podejrzane tj. odbiegające od normy anormalne, generujące różne formy podpowiedzi, wskazań pomocniczych. Daje to efekt jedynie komputerowego wspomagania pracy radiologów, nazywany ogólnie komputerowo wspomaganą diagnozą CAD (computer-aided diagnosis). 12
13 Systemy CAD (2) Charakterystyczne właściwości narzędzi CAD, które zdecydowały o ich przydatności w pracy diagnostycznej to: skuteczne przetwarzanie informacji o ograniczonym poziomie trudności - niezawodna analiza, służąca rozwiązaniu w sposób automatyczny podstawowych zagadnień dotyczących procesu diagnozy, np. określenie cech danych obrazowych, struktur z obliczeniem ich parametrów itp. 13
14 Systemy CAD (3) Dostarczając dodatkowych informacji, ukazując efekty obliczeniowych analiz, potencjalnie zwiększa się możliwości właściwej interpretacji. komputerowe podpowiedzi mają charakter uzupełniający prawidłowe interpretacje lekarzy, na zasadzie synergii kompetencji radiologów i możliwości komputerów. CAD znalazł zdecydowanie więcej potwierdzeń użyteczności klinicznej niż ACD, owocując rozwiązaniami komercyjnymi, np. w diagnostyce mammograficznej. 14
15 Systemy CAD (4) Gdyby nawet, wskutek stale udoskonalanych metod komputerowej obróbki obrazów, udało się uzyskać wyraźnie większą poprawność wskazań komputerów w stosunku do trafności decyzji radiologów, to i tak wykorzystanie tych wskazań przez radiologów, pozwoli osiągnąć jeszcze wyższą skuteczność diagnozy. 15
16 Systemy CAD (5) Komputerowo wspomagana diagnoza (CAD) na podstawie badań obrazowych oznacza podejmowanie decyzji diagnostycznych przez radiologa, który wykorzystuje efekty działania komputerowych narzędzi wspomagania. Narzędzia te mogą być stosowane na etapie analizy obrazów medycznych jako druga opinia w detekcji zmian, do opisu, oceny właściwości i interpretacji zaawansowania choroby. 16
17 System rozpoznawania obrazu Elementy systemu rozpoznawania obrazów: Wstępne przetwarzanie obrazu obejmuje akwizycje obrazu, przetwarzanie wstępne, poprawę jakości obrazu, np. eliminacja zakłóceń, poprawa kontrastu, filtracja itd., Ekstrakcja cech dotyczy segmentacji obrazu oraz wydzielania i opisu cech obiektów obrazu, np. detekcja brzegów i konturów, przetwarzanie morfologiczne, itd., Klasyfikacja - polega na rozpoznawaniu analizowanego obrazu. 17
18 Przykład systemu rozpoznawania obrazu (1) 18
19 Przykład systemu rozpoznawania obrazu (2) Ogólny schemat metod detekcji i klasyfikacji mikrozwapnień, przykład zaczerpnięty z programu MammoViewer 19
20 Wstępne przetwarzania obrazu (1) Wstępne przetwarzanie obrazu zawiera następujące operacje: filtracji, binaryzacji, transformacji pomiędzy przestrzeniami barw (RGB, grayscale, binary, indexed), wycinania obrazu, normalizacji obrazu. 20
21 Ekstrakcja cech (1) Ekstrakcja cech obrazu może zawierać następujące operacje: sumowanie pikseli w pionie i poziomie, transformacje dzięki, którym otrzymujemy końcowe wektory cech, wyliczenia pola i obwodu obiektu, wyznaczania liczby obiektów, wyznaczania centroidu, wyznaczania maksimów i minimów, wyznaczania przekroju obrazu. 21
22 Ekstrakcja cech (2) morfologiczne (erozja, dylatacja, otwarcie, zamknięcie, laplasjan morfologiczny, detekcja szczytów, detekcja masek defektów, morfologiczne wygładzanie), pogrubianie obiektów, szkieletyzacji, odejmowania obrazów, transformacje SHT (ang. Standard Hough Transform), FFT, DCT, NMF (ang. Nonnegative Matrix Factorization), kwadratowo-drzewowa dekompozycja obrazu, transformacje falkowe, tworzenia i wyrównywania histogramu. 22
23 Klasyfikacja (1) Końcowym etapem analizy obrazów może być klasyfikacja obiektów i ich interpretacja. Faza rozpoznawania obrazów zwykle nie wykorzystuje gotowych procedur analizy danych a wymaga raczej specjalizowanych, bardziej zaawansowanych metod analizy, np. bazujących na sztucznej inteligencji. 23
24 Klasyfikacja (2) Cechy zachowania inteligentnego: możliwość wnioskowania na podstawie zbioru różnych, nieskojarzonych ze sobą danych, zdolność do uczenia się na przykładach i zastosowania wiedzy w innych zadaniach analizy danych, zdolność rozpoznawania obiektów na podstawie niekompletnych danych. 24
25 Klasyfikacja (3) Wzorzec to zbiór cech, ściślej, wzorzec to wektor cech x=[x 1, x 2,, x N ]. Klasa wzorców to zbiór wzorców charakteryzujących się podobnymi wektorami cech. Klasy wzorców oznaczmy: w 1, w 2, w j gdzie indeks j jest numerem klasy. Klasyfikacja jest zadaniem polegającym na przyporządkowaniu wzorców do ich klas: X w 25
26 Klasyfikacja (4) Przestrzeń cech Przestrzeń klas w 1 Przyporządkowanie wiele do jednego w 2 w 3 26
27 Klasyfikacja (5) Przyporządkowanie x w powinno być bezbłędne dla jak największej liczby wzorców. Konkretne sformułowanie tego zadania zależy od stopnia posiadanej wiedzy (modelu) o rozkładzie statystycznym zbioru cech, jak również granicach klas. 27
28 Selekcja cech i ich własności (1) dyskryminacja - cechy powinny przyjmować znacząco różne wartości dla obiektów z różnych klas, np. średnica owocu jest dobrą cechą dla rozróżnienia wiśni i grejpfrutów, niezawodność - cechy powinny przyjmować podobne wartości dla wszystkich obiektów danej klasy, np. kolor jest zła cechą dla jabłek, 28
29 Selekcja cech i ich własności (2) niezależność - cechy wykorzystywane w danym systemie klasyfikacji powinny być nieskorelowane ze sobą, np. waga i wielkość owocu są cechami silnie skorelowanymi, mała liczba - złożoność systemu klasyfikacji rośnie szybko wraz z liczbą klasyfikowanych cech, np. należy eliminować cechy skorelowane. 29
30 Selekcja cech i ich własności (3) W praktyce testuje się wybrany intuicyjnie zbiór cech (wzorzec), którego rozmiar zostaje zredukowany do akceptowalnej wielkości. Selekcja cech może polegać na eliminacji cech o najgorszych właściwościach, przy zachowaniu wymaganej jakości systemu klasyfikacji. Badanie jakości klasyfikacji dla wszystkich możliwych kombinacji podzbioru n cech ze zbioru wszystkich N cech jest w praktyce zbyt kosztowne obliczeniowo dla dużych N. 30
31 Wybrane metody klasyfikacji Klasyfikator Nearest Mean Klasyfikator K-Nearest Neighbour Linowa Analiza Dyskriminacyjna Klasyfikator Bayesa Drzewa decyzyjne Sztuczne sieci neuronowe Algorytmy genetyczne Systemy rozmyte Ukryte modele Markowa 31
32 Klasyfikator NearestMean(1) Podczas etapu tworzenia wzorców do rozpoznawania otrzymywane są średnie wektory cech m 1, m 2,, m j (wzorce). Wektory te wyliczone są zgodnie ze wzorem. n 1 m j = x i n i= 1 gdzie: j jest numerem klasy wzorców, x i jest i-tym wektorem cech należącym do klasy wzorców w j, n jest liczbą wektorów cech, które należą do klasy wzorców w j. 32
33 Klasyfikator NearestMean(2) Czerwone koło, wzorzec powstały przez uśrednienie zbioru zielonych kół. 33
34 34 Klasyfikator NearestMean(3) Metryka Minkowskiego, to miara odległości między dwoma wektorami. Dla pary wektorów y = [y 1, y 2,, y n ], m j = [m 1, m 2,, m n ], wyraża się wzorem: Dla metryki Jacquarda i kosinusowej odległość wyraża się wzorami: r n i r y i m i d 1 1 ) ( ), ( = = m j y = = = = + = n i i i n i i n i i n i i i m y m y m y d ), ( j m y = = = = n i i n i i n i i i m y m y d ), ( j m y M, 2, 1, )), ( ( min = j w d j y m y j
35 Klasyfikator minimalnoodległościowy Klasyfikator minimalnoodległościowy sprawdza sie w zastosowaniach, w których odległość pomiędzy wzorcami klas jest duża w porównaniu z rozrzutem wzorców w klasie. Warunek ten jest jednak rzadko spełniany w praktyce chyba, że projektant systemu klasyfikacji zapewni spełnienie tego warunku. Zauważmy również, że klasyfikator minimalnoodległościowy wytwarza granice decyzyjne w postaci prostych i płaszczyzn, a nie wszystkie problemy klasyfikacji należą do rozdzielnych liniowo. 35
36 Naiwny Klasyfikator Bayesa(1) Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych (tu naiwność) Model prawdopodobieństwa można wyprowadzić korzystając z twierdzenia Bayesa. p( c j d ) = p( d c j ) p( d p( c ) j ) 36
37 Naiwny Klasyfikator Bayesa(2) Czy program się wykona? SL= [1; 2; 3; 2; 5; 6]; SW =[1; 1; 1.2; 1.2; 1.3; 1.2]; group = ['klasa1'; 'klasa1'; 'klasa1'; 'klasa2'; 'klasa2'; 'klasa2']; h1 = gscatter(sl,sw,group,'rb','v^',[],'off'); %klasyfikacja X=[1; 2; 3; 4; 5; 6]; Y =[1; 1; 1; 1.3; 1.4; 1.5]; nb = NaiveBayes.fit([SL SW], group) C = nb.predict([x,y]); hold on; gscatter(x,y,c,'rb','.',[ ],'off'); 37
38 Naiwny Klasyfikator Bayesa(3) 38
39 Naiwny Klasyfikator Bayesa(4) Czy program się wykona? SL= [1; 2; 3; 2; 5; 6]; SW =[1; 1; 1.2; 1.2; 1.2; 1.2]; group = ['klasa1'; 'klasa1'; 'klasa1'; 'klasa2'; 'klasa2'; 'klasa2']; h1 = gscatter(sl,sw,group,'rb','v^',[],'off'); %klasyfikacja X=[1; 2; 3; 4; 5; 6]; Y =[1; 1; 1; 1.3; 1.4; 1.5]; nb = NaiveBayes.fit([SL SW], group) C = nb.predict([x,y]); hold on; gscatter(x,y,c,'rb','.',[ ],'off'); 39
40 Naiwny Klasyfikator Bayesa(5) 40
41 Naiwny Klasyfikator Bayesa(6) Kiedy rzucamy dwa razy monetą, to wynik pierwszego rzutu w żadnym stopniu nie wpływa na wynik drugiego. Takie zdarzenia możemy nazwać zdarzeniami niezależnymi. Brak wpływu informacji o zajściu zdarzenia na prawdopodobieństwo drugiego jest istotą tak zwanej niezależności zdarzeń. Doświadczenia polegające na losowaniu ze zwracaniem oraz na oddawaniu kilku strzałów przez jednego strzelca uważamy za niezależne. 41
42 Naiwny Klasyfikator Bayesa(7) Nie pomylić klasyfikatora Bayesa z inną definicją niezależności. Niezależnymi nazywamy te spośród zmiennych, których wartość możemy zmieniać (zmienne manipulowane), podczas gdy zmienne zależne są jedynie mierzone lub rejestrowane. Rozróżnienie to wielu osobom wydaje się terminologicznie mylące, ponieważ, jak mówią studenci, wszystkie zmienne zależą od czegoś. 42
43 Naiwny Klasyfikator Bayesa(8) Jeśli wiemy, że kulek czerwonych jest 2 razy mniej niż zielonych (bo czerwonych jest 20 a zielonych 40) to prawdopodobieństwo tego, że kolejna (nowa) kulka będzie koloru zielonego jest dwa razy większe niż tego, że kulka będzie czerwona. Możemy napisać, że znane z góry prawdopodobieństwa: 43
44 Naiwny Klasyfikator Bayesa(9) Prawdopodobieństwo zielonych = liczba zielonych / liczba wszystkich kulek =40/60 Prawdopodobieństwo czerwonych = liczba czerwonych / liczba wszystkich kulek =20/60 44
45 Naiwny Klasyfikator Bayesa(10) Spróbujmy ustalić do której klasy należy kulka biała. Dokonujemy po prostu klasyfikacji kulki do jednej z dwóch klas: zielonych bądź czerwonych. Jeśli weźmiemy pod uwagę sąsiedztwo białej kulki takie jak zaznaczono, a więc do 4 najbliższych sąsiadów, to widzimy, że wśród nich są 3 kulki czerwone i 1 zielona. Obliczamy liczbę kulek w sąsiedztwie należących do danej klasy: zielonych bądź czerwonych z wzorów: 45
46 Naiwny Klasyfikator Bayesa(11) Kulka X jest zielona w swoim sąsiedztwie=1/40 Kulka X jest czerwona w swoim sąsiedztwie=3/20 Dlatego ostatecznie powiemy, że Prawdopodobieństwo, że kulka X jest zielona=prawdopodobieństwo kulki zielonej*prawdopodobieństwo, że kulka X jest zielona w swoim sąsiedztwie= (40/60)*(1/40)=1/60 46
47 Naiwny Klasyfikator Bayesa(12) Prawdopodobieństwo, że kulka X jest czerwona=prawdopodobieństwo kulki czerwonej*prawdopodobieństwo, że kulka X jest czerwona w swoim sąsiedztwie= (20/60)*(3/20)=1/20 Ostatecznie klasyfikujemy nową kulkę X do klasy kulek czerwonych, ponieważ ta klasa dostarcza nam większego prawdopodobieństwa posteriori. 47
48 Przykład 1 rozpoznawanie obrazu z zastosowaniem histogramu i NN Program napisany w Matlabie Histogram i klasyfikator Nearest Neighbour 48
49 Przykład 2 rozpoznawanie obrazu z zastosowaniem NMF i LDA (1) 49
50 Przykład 3 rozpoznawanie obrazu z zastosowaniem NMF,PCAi LDA (2) 50
51 Przykład 4 rozpoznawanie obrazu z zastosowaniem SOM (1) Zastosowano histogramy i SOM (ang. Selforganizing map) 51
52 Przykład 4 rozpoznawanie obrazu z zastosowaniem SOM (2) 52
53 Przykład 4 rozpoznawanie obrazu z zastosowaniem SOM (3) Histogram daje 256 wartości zatem do warstwy wejściowej było podłączonych 256 wejść, natomiast warstwa wyjściowa posiadała 100 wyjść z czego 4 były używane (ze względu na 4 wzorce). 53
54 Przykład 5 rozpoznawanie tęczówki oka Patentowany algorytm Daugmana 54
55 Przykład 6 rozpoznawanie tkanki mózgowia (1) 55
56 Przykład 6 rozpoznawanie tkanki mózgowia (2) Przykładowe wskazania wspomagające interpretację wczesnych badań udarowych, bazujące na analizie cech teksturowych tkanki mózgowia. Od lewej: wybrana warstwa badania wczesnego, automatyczne wskazanie obszarów podejrzanych (na zielono) oraz rozpoznanych obszarów hipodensyjnych (na czerwono). 56
57 Przykład 6 Wspomaganie diagnostyki udaru mózgu Segmentacja i wizualizacja 3D wybranych struktur mózgu, symptomów udaru Lokalizacja i segmentacja struktur potencjalnie udarowych (wskazówki z badania neurologicznego) Wizualizacja wczesnych symptomów udaru Automatyczne rozpoznanie obszarów hipodensyjnych Schematyzacja działań przedszpitalnych i szpitalnych dot. przypadków udaru Optymalizacja metod rekonstrukcji pod kątem diagnostyki udarowej 57
58 Przykład 7 Śródmiąższowe choroby płuc ocena zwłóknień Powstają na skutek uszkodzenia wyściółki pęcherzyków płucnych, co prowadzi do zapalenia i włóknienia śródmiąższu. Poszukiwanie cech teksturowych różnicujących obecność oraz stopień zaawansowania zmian włóknistych. 58
59 Przykład 8 MammoViewer(1) MammoViewer: 59
60 Przykład 8 MammoViewer(2) Wykryte klastry mikrozwapnień: (a) Oryginalny region wskazany przez radiologa (biały kontur). (b) Uwydatnione mikrozwapnienia. (c) Kształty wykrytych mikrozwapnień (czarne kontury). (d) Kształt klastra. 60
61 Przykład 8 MammoViewer(3) 61
62 Przykład 9 Wizualizacja i poprawa jakości badańbronchoskopowych 62
63 Przykład 10 Możliwości termografii w obrazowaniu zmian rakowych (1) 63
64 Przykład 10 Możliwości termografii w obrazowaniu zmian rakowych (2) 64
65 Przykład 11 Wspomaganie diagnostyki guzów nerki Tomografia CT guza Wilmsa prawej nerki u 13-miesięcznego pacjenta. Guz ma 11 cm średnicy. Powinniśmy posiadać dużą wiedzę jak szukany guz wygląda. 65
66 Przykład 12 Wspomaganie diagnostyki obrazów PET/MRI Zdjęcia mózgu PET/MRI Positron emission tomography/ Magnetic resonance imaging 66
67 Przykład 13 Wspomaganie diagnostyki obrazów PET/CT 67
68 Wspomaganie inne Wizualizacja i poprawa jakości badań bronchoskopowych Poprawa percepcji badań USG (sutek, tarczyca itp.) Segmentacja, wizualizacja wybranych struktur w USG (serce, wątroba itp.) Analiza dynamiki kontrastu w badaniach perfuzyjnych (USG, MRI itp.) Analiza badań termografii sutka Ocena złośliwości zmian w sonomammografii (USG piersi) Ocena złośliwości zmian w bronchoskopii 68
69 Przegląd rozwiązańkomercyjnych w mammografii (1) Powstało już kilka zaawansowanych technologicznie komercyjnych systemów detekcji zmian patologicznych w mammografii, m.in. ImageChecker firmy R2 Technology, SecondLook firmy icad, MammoReader firmy CADx, Mammex Mammo-CAD firmy Scanis, Kodak Mammography CAD System firmy Eastman Kodak, M-Vu Mammography CAD System firmy VuCOMP. 69
70 Przegląd rozwiązańkomercyjnych w mammografii (2) Testy systemu R2 ImageChecker przeprowadzone na dużej bazie badań wykazały, że jego czułość całkowita to ok. 90%. System ten zwiększa czułość radiologa o ok. 19.5% (od 3.2 do 3.8 schorzeń / 1000 badań). Czułość systemu icad SecondLook to 92-96%. Zwiększa czułość radiologa o ok. 21.2%. 70
71 Przegląd rozwiązańkomercyjnych w mammografii (3) 71
72 Systemy CAD w praktyce klinicznej W USA praktyka diagnozy ze wspomaganiem komputerowym jest już szeroko rozpowszechniona. W 2003 w USA działało ok stacji wspomagania detekcji. Około 25-30% (8 mln) badań przesiewowych było diagnozowanych przy pomocy systemów CAD. W 2004 powstały pierwsze systemy wspomagania diagnozy badań MRI (3TP ImagingScienses, CADimas breast MRI CAD, CADstream MRI) 72
73 Podsumowanie i kierunki dalszych badań(1) Wyzwania, stojące przed twórcami systemów CAD, są duże. Sukcesem są przede wszystkim rozwiązania komercyjne, klinicznie przydatne, coraz powszechniej stosowane. Wraz z rozwojem technologii teleinformatycznych powstają nowe możliwości aplikacji mobilnych, globalnych, rozproszonych. 73
74 Podsumowanie i kierunki dalszych badań(2) Rutyna doświadczonych specjalistów i brak doświadczenia młodych lekarzy, przyzwyczajenie, monotonia usypiająca czujne postrzeganie, zwyczajne zmęczenie, znużenie, zmniejszają skuteczność procedur medycznych. Celem komputerowego wspomagania diagnostyki obrazowej jest zapewnienie efektywnych narzędzi, które pozwolą w większym stopniu wykorzystać niezastąpiony potencjał specjalisty. 74
75 Podsumowanie i kierunki dalszych badań(3) Radiolog, oceniając badanie i formułując diagnozę, wykonuje bardzo trudne i złożone zadanie. Warto szukać odpowiedzi na pytania: jak przebiega proces analizy obrazu, w jakiej kolejności, na ile należy uwzględnić określony zestaw cech ogólnych i szczególnych, dlaczego pomijane są niektóre anormalności, co decyduje o nadinterpretacji konkretnej struktury, jak odróżnić zmianę złośliwą od łagodnej, gdzie postawić subiektywną granicę wzorca zmiany itp. 75
76 Podsumowanie i kierunki dalszych badań(4) Niezwykle ważna jest współpraca, wymiana doświadczeń, gromadzenie wzorców patologii w skali globalnej, wykorzystywanie najnowszych technologii szybkiego dostępu oraz wymiany danych obrazowych, wyszukiwanie po treści danych. 76
77 Podsumowanie i kierunki dalszych badań(5) Problem wymaga wysiłków i współpracy wielu ośrodków, integracji działań wyspecjalizowanych zespołów interdyscyplinarnych, wydobywania wiedzy rozproszonej w skali całego świata, zarówno medycznej, jak i technicznej. Potrzebne są referencyjne bazy danych statystycznie istotne i reprezentatywne, dostępność implementacji narzędzi z fazy badawczej, warunki realnej analizy porównawczej algorytmów, metod i koncepcji. 77
78 Podsumowanie i kierunki dalszych badań (6) Hologramy 3D organów 78
79 Dziękujębardzo za uwagę
Klasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV
Klasyfikatory: k-nn oraz naiwny Bayesa Agnieszka Nowak Brzezińska Wykład IV Naiwny klasyfikator Bayesa Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoPrawdopodobieństwo czerwonych = = 0.33
Temat zajęć: Naiwny klasyfikator Bayesa a algorytm KNN Część I: Naiwny klasyfikator Bayesa Naiwny klasyfikator bayerowski jest prostym probabilistycznym klasyfikatorem. Naiwne klasyfikatory bayesowskie
Bardziej szczegółowoAlgorytmy decyzyjne będące alternatywą dla sieci neuronowych
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych Piotr Dalka Przykładowe algorytmy decyzyjne Sztuczne sieci neuronowe Algorytm k najbliższych sąsiadów Kaskada klasyfikatorów AdaBoost Naiwny
Bardziej szczegółowo4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74
3 Wykaz najważniejszych skrótów...8 Przedmowa... 10 1. Podstawowe pojęcia data mining...11 1.1. Wprowadzenie...12 1.2. Podstawowe zadania eksploracji danych...13 1.3. Główne etapy eksploracji danych...15
Bardziej szczegółowoPrzetwarzanie obrazu
Przetwarzanie obrazu Przegląd z uwzględnieniem obrazowej bazy danych Tatiana Jaworska Jaworska@ibspan.waw.pl www.ibspan.waw.pl/~jaworska Umiejscowienie przetwarzania obrazu Plan prezentacji Pojęcia podstawowe
Bardziej szczegółowoProf. Stanisław Jankowski
Prof. Stanisław Jankowski Zakład Sztucznej Inteligencji Zespół Statystycznych Systemów Uczących się p. 228 sjank@ise.pw.edu.pl Zakres badań: Sztuczne sieci neuronowe Maszyny wektorów nośnych SVM Maszyny
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
Bardziej szczegółowoEksploracja Danych. wykład 4. Sebastian Zając. 10 maja 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja / 18
Eksploracja Danych wykład 4 Sebastian Zając WMP.SNŚ UKSW 10 maja 2017 Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja 2017 1 / 18 Klasyfikacja danych Klasyfikacja Najczęściej stosowana (najstarsza)
Bardziej szczegółowoAutomatyczne tworzenie trójwymiarowego planu pomieszczenia z zastosowaniem metod stereowizyjnych
Automatyczne tworzenie trójwymiarowego planu pomieszczenia z zastosowaniem metod stereowizyjnych autor: Robert Drab opiekun naukowy: dr inż. Paweł Rotter 1. Wstęp Zagadnienie generowania trójwymiarowego
Bardziej szczegółowoPLATFORMA DO PRZETWARZANIA ZDJĘĆ TOMOGRAFII KOMPUTEROWEJ MÓZGU ORAZ ZDJĘĆ MAMMOGRAFICZNYCH WSPOMAGAJĄCA DIAGNOZOWANIE CHORÓB
PLATFORMA DO PRZETWARZANIA ZDJĘĆ TOMOGRAFII KOMPUTEROWEJ MÓZGU ORAZ ZDJĘĆ MAMMOGRAFICZNYCH WSPOMAGAJĄCA DIAGNOZOWANIE CHORÓB Międzynarodowa Konferencja Naukowa Studentów Uczelni Medycznych. Kraków, 2009
Bardziej szczegółowoPODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE
UNIWERSYTET WARMIŃSKO-MAZURSKI W OLSZTYNIE PODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE http://matman.uwm.edu.pl/psi e-mail: psi@matman.uwm.edu.pl ul. Słoneczna 54 10-561
Bardziej szczegółowo1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie
Wykaz tabel Wykaz rysunków Przedmowa 1. Wprowadzenie 1.1. Wprowadzenie do eksploracji danych 1.2. Natura zbiorów danych 1.3. Rodzaje struktur: modele i wzorce 1.4. Zadania eksploracji danych 1.5. Komponenty
Bardziej szczegółowoPrzetwarzanie obrazów wykład 7. Adam Wojciechowski
Przetwarzanie obrazów wykład 7 Adam Wojciechowski Przekształcenia morfologiczne Przekształcenia podobne do filtrów, z tym że element obrazu nie jest modyfikowany zawsze lecz tylko jeśli spełniony jest
Bardziej szczegółowoSpośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy prosty i skuteczny.
Filtracja nieliniowa może być bardzo skuteczną metodą polepszania jakości obrazów Filtry nieliniowe Filtr medianowy Spośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy
Bardziej szczegółowoBIBLIOTEKA PROGRAMU R - BIOPS. Narzędzia Informatyczne w Badaniach Naukowych Katarzyna Bernat
BIBLIOTEKA PROGRAMU R - BIOPS Narzędzia Informatyczne w Badaniach Naukowych Katarzyna Bernat Biblioteka biops zawiera funkcje do analizy i przetwarzania obrazów. Operacje geometryczne (obrót, przesunięcie,
Bardziej szczegółowoWYKŁAD 12. Analiza obrazu Wyznaczanie parametrów ruchu obiektów
WYKŁAD 1 Analiza obrazu Wyznaczanie parametrów ruchu obiektów Cel analizy obrazu: przedstawienie każdego z poszczególnych obiektów danego obrazu w postaci wektora cech dla przeprowadzenia procesu rozpoznania
Bardziej szczegółowoKomputerowa diagnoza medyczna tworzenie i interpretowanie. prof. dr hab. inż. Andrzej Walczak
Komputerowa diagnoza medyczna tworzenie i interpretowanie prof. dr hab. inż. Andrzej Walczak Agenda 1. Po co budujemy komputerowe wspomaganie diagnostyki medycznej? 2. Wymagania na IT wdrażane w medycynie
Bardziej szczegółowoW poszukiwaniu sensu w świecie widzialnym
W poszukiwaniu sensu w świecie widzialnym Andrzej Śluzek Nanyang Technological University Singapore Uniwersytet Mikołaja Kopernika Toruń AGH, Kraków, 28 maja 2010 1 Podziękowania Przedstawione wyniki powstały
Bardziej szczegółowoKlasyfikacja metodą Bayesa
Klasyfikacja metodą Bayesa Tadeusz Pankowski www.put.poznan.pl/~tadeusz.pankowski warunkowe i bezwarunkowe 1. Klasyfikacja Bayesowska jest klasyfikacją statystyczną. Pozwala przewidzieć prawdopodobieństwo
Bardziej szczegółowoAUTOMATYCZNE ROZPOZNAWANIE PUNKTÓW KONTROLNYCH GŁOWY SŁUŻĄCYCH DO 3D MODELOWANIA JEJ ANATOMII I DYNAMIKI
AUTOMATYCZNE ROZPOZNAWANIE PUNKTÓW KONTROLNYCH GŁOWY SŁUŻĄCYCH DO 3D MODELOWANIA JEJ ANATOMII I DYNAMIKI Tomasz Huczek Promotor: dr Adrian Horzyk Cel pracy Zasadniczym celem pracy było stworzenie systemu
Bardziej szczegółowoRelacja zakresu nauk humanistyczno-społecznych z Krajową Inteligentną Specjalizacją
Relacja zakresu nauk humanistyczno-społecznych z Krajową Inteligentną Specjalizacją Inteligentne uczenie się Moduł nr 1 Inteligentne szkolnictwo wyższe dla inteligentnej gospodarki i jej kadr Inteligentne
Bardziej szczegółowoMail: Pokój 214, II piętro
Wykład 2 Mail: agnieszka.nowak@us.edu.pl Pokój 214, II piętro http://zsi.tech.us.edu.pl/~nowak Predykcja zdolność do wykorzystania wiedzy zgromadzonej w systemie do przewidywania wartości dla nowych danych,
Bardziej szczegółowoCzym jest badanie czynnościowe rezonansu magnetycznego? Oraz jaki ma związek z neuronawigacją?
Czym jest badanie czynnościowe rezonansu magnetycznego? Oraz jaki ma związek z neuronawigacją? Dolnośląski Szpital Specjalistyczny im. T. Marciniaka Centrum Medycyny Ratunkowej stale podnosi jakość prowadzonego
Bardziej szczegółowoAUTOMATYKA INFORMATYKA
AUTOMATYKA INFORMATYKA Technologie Informacyjne Sieć Semantyczna Przetwarzanie Języka Naturalnego Internet Edytor Serii: Zdzisław Kowalczuk Inteligentne wydobywanie informacji z internetowych serwisów
Bardziej szczegółowoParametryzacja obrazu na potrzeby algorytmów decyzyjnych
Parametryzacja obrazu na potrzeby algorytmów decyzyjnych Piotr Dalka Wprowadzenie Z reguły nie stosuje się podawania na wejście algorytmów decyzyjnych bezpośrednio wartości pikseli obrazu Obraz jest przekształcany
Bardziej szczegółowoZygmunt Wróbel i Robert Koprowski. Praktyka przetwarzania obrazów w programie Matlab
Zygmunt Wróbel i Robert Koprowski Praktyka przetwarzania obrazów w programie Matlab EXIT 2004 Wstęp 7 CZĘŚĆ I 9 OBRAZ ORAZ JEGO DYSKRETNA STRUKTURA 9 1. Obraz w programie Matlab 11 1.1. Reprezentacja obrazu
Bardziej szczegółowoCo to jest termografia?
Co to jest termografia? Słowo Termografia Pochodzi od dwóch słów "termo" czyli ciepło i "grafia" rysować, opisywać więc termografia to opisywanie przy pomocy temperatury zmian zachodzących w naszym organiźmie
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: SYSTEMY INFORMATYCZNE WSPOMAGAJĄCE DIAGNOSTYKĘ MEDYCZNĄ Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj zajęć: wykład, projekt
Bardziej szczegółowoImplementacja filtru Canny ego
ANALIZA I PRZETWARZANIE OBRAZÓW Implementacja filtru Canny ego Autor: Katarzyna Piotrowicz Kraków,2015-06-11 Spis treści 1. Wstęp... 1 2. Implementacja... 2 3. Przykłady... 3 Porównanie wykrytych krawędzi
Bardziej szczegółowodr inż. Jacek Naruniec email: J.Naruniec@ire.pw.edu.pl
dr inż. Jacek Naruniec email: J.Naruniec@ire.pw.edu.pl Coraz większa ilość danych obrazowych How much information, University of California Berkeley, 2002: przyrost zdjęć rentgenowskich to 17,2 PB rocznie
Bardziej szczegółowoS O M SELF-ORGANIZING MAPS. Przemysław Szczepańczyk Łukasz Myszor
S O M SELF-ORGANIZING MAPS Przemysław Szczepańczyk Łukasz Myszor Podstawy teoretyczne Map Samoorganizujących się stworzył prof. Teuvo Kohonen (1982 r.). SOM wywodzi się ze sztucznych sieci neuronowych.
Bardziej szczegółowoWidzenie komputerowe (computer vision)
Widzenie komputerowe (computer vision) dr inż. Marcin Wilczewski 2018/2019 Organizacja zajęć Tematyka wykładu Cele Python jako narzędzie uczenia maszynowego i widzenia komputerowego. Binaryzacja i segmentacja
Bardziej szczegółowoPrzetwarzanie obrazu
Przetwarzanie obrazu Przegląd z uwzględnieniem obrazowej bazy danych Tatiana Jaworska Jaworska@ibspan.waw.pl www.ibspan.waw.pl/~jaworska Umiejscowienie przetwarzania obrazu Plan prezentacji Pojęcia podstawowe
Bardziej szczegółowoWspomaganie diagnostyki mammograficznej: poprawa percepcji zmian patologicznych
Wspomaganie diagnostyki mammograficznej: poprawa percepcji zmian patologicznych Anna Wróblewska Plan prezentacji Mammografia Problemy detekcji i interpretacji badań Komputerowe wspomaganie diagnozy System
Bardziej szczegółowoWSTĘP. Skaner PET-CT GE Discovery IQ uruchomiony we Wrocławiu w 2015 roku.
WSTĘP Technika PET, obok MRI, jest jedną z najbardziej dynamicznie rozwijających się metod obrazowych w medycynie. Przełomowymi wydarzeniami w rozwoju PET było wprowadzenie wielorzędowych gamma kamer,
Bardziej szczegółowoTransformacja wiedzy w budowie i eksploatacji maszyn
Uniwersytet Technologiczno Przyrodniczy im. Jana i Jędrzeja Śniadeckich w Bydgoszczy Wydział Mechaniczny Transformacja wiedzy w budowie i eksploatacji maszyn Bogdan ŻÓŁTOWSKI W pracy przedstawiono proces
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium JAVA Zadanie nr 2 Rozpoznawanie liter autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się z problemem klasyfikacji
Bardziej szczegółowoBadania Kliniczne w Polsce. Na podstawie raportu wykonanego przez PwC na zlecenie stowarzyszenia INFARMA, GCPpl i POLCRO
Badania Kliniczne w Polsce Na podstawie raportu wykonanego przez PwC na zlecenie stowarzyszenia INFARMA, GCPpl i POLCRO 1. Wprowadzenie 2. Dlaczego warto wspierać prowadzenie badań klinicznych 3. Analiza
Bardziej szczegółowoSamochodowy system detekcji i rozpoznawania znaków drogowych. Sensory w budowie maszyn i pojazdów Maciej Śmigielski
Samochodowy system detekcji i rozpoznawania znaków drogowych Sensory w budowie maszyn i pojazdów Maciej Śmigielski Rozpoznawanie obrazów Rozpoznawaniem obrazów możemy nazwać proces przetwarzania i analizowania
Bardziej szczegółowoPattern Classification
Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors
Bardziej szczegółowoFiltracja obrazu operacje kontekstowe
Filtracja obrazu operacje kontekstowe Podział metod filtracji obrazu Metody przestrzenne i częstotliwościowe Metody liniowe i nieliniowe Główne zadania filtracji Usunięcie niepożądanego szumu z obrazu
Bardziej szczegółowoSYSTEM BIOMETRYCZNY IDENTYFIKUJĄCY OSOBY NA PODSTAWIE CECH OSOBNICZYCH TWARZY. Autorzy: M. Lewicka, K. Stańczyk
SYSTEM BIOMETRYCZNY IDENTYFIKUJĄCY OSOBY NA PODSTAWIE CECH OSOBNICZYCH TWARZY Autorzy: M. Lewicka, K. Stańczyk Kraków 2008 Cel pracy projekt i implementacja systemu rozpoznawania twarzy, który na podstawie
Bardziej szczegółowoPrzetwarzanie obrazów rastrowych macierzą konwolucji
Przetwarzanie obrazów rastrowych macierzą konwolucji 1 Wstęp Obrazy rastrowe są na ogół reprezentowane w dwuwymiarowych tablicach złożonych z pikseli, reprezentowanych przez liczby określające ich jasność
Bardziej szczegółowoMetody kodowania wybranych cech biometrycznych na przykładzie wzoru naczyń krwionośnych dłoni i przedramienia. Mgr inż.
Metody kodowania wybranych cech biometrycznych na przykładzie wzoru naczyń krwionośnych dłoni i przedramienia Mgr inż. Dorota Smorawa Plan prezentacji 1. Wprowadzenie do zagadnienia 2. Opis urządzeń badawczych
Bardziej szczegółowoPrzekształcenia punktowe
Przekształcenia punktowe Przekształcenia punktowe realizowane sa w taki sposób, że wymagane operacje wykonuje sie na poszczególnych pojedynczych punktach źródłowego obrazu, otrzymujac w efekcie pojedyncze
Bardziej szczegółowoKomputerowa analiza obrazów z endoskopu bezprzewodowego dla diagnostyki medycznej
Komputerowa analiza obrazów z endoskopu bezprzewodowego dla diagnostyki medycznej Piotr M. Szczypiński Kolokwium habilitacyjne 16 kwietnia 01 Endoskopia bezprzewodowa Kapsułka typu SB Źródło: GivenImaging
Bardziej szczegółowoIdentyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji
Identyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji Jacek Szcześniak Jerzy Błaszczyński Roman Słowiński Poznań, 5.XI.2013r. Konspekt Wstęp Wprowadzenie Metody typu wrapper Nowe metody
Bardziej szczegółowoPODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"
PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych
Bardziej szczegółowoElektrofizjologiczne podstawy lokalizacji ogniska padaczkowego. Piotr Walerjan
Elektrofizjologiczne podstawy lokalizacji ogniska padaczkowego Piotr Walerjan Elektrofizjologia w padaczce Dlaczego stosujemy metody elektrofizjologiczne w diagnostyce padaczki? Ognisko padaczkowe Lokalizacja
Bardziej szczegółowoDiaSter - system zaawansowanej diagnostyki aparatury technologicznej, urządzeń pomiarowych i wykonawczych. Politechnika Warszawska
Jan Maciej Kościelny, Michał Syfert DiaSter - system zaawansowanej diagnostyki aparatury technologicznej, urządzeń pomiarowych i wykonawczych Instytut Automatyki i Robotyki Plan wystąpienia 2 Wprowadzenie
Bardziej szczegółowoZmienne zależne i niezależne
Analiza kanoniczna Motywacja (1) 2 Często w badaniach spotykamy problemy badawcze, w których szukamy zakresu i kierunku zależności pomiędzy zbiorami zmiennych: { X i Jak oceniać takie 1, X 2,..., X p }
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa 1. Cel ćwiczenia Ćwiczenie czwarte Przekształcenia morfologiczne obrazu Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z definicjami operacji morfologicznych
Bardziej szczegółowoPrzetwarzanie obrazów wykład 4
Przetwarzanie obrazów wykład 4 Adam Wojciechowski Wykład opracowany na podstawie Komputerowa analiza i przetwarzanie obrazów R. Tadeusiewicz, P. Korohoda Filtry nieliniowe Filtry nieliniowe (kombinowane)
Bardziej szczegółowoSystemy wspomagania diagnozy, czyli mammografia przyszłości
Systemy wspomagania diagnozy, czyli mammografia przyszłości Anna Wróblewska Plan prezentacji Mammografia Problemy interpretacji badań Komputerowe wspomaganie diagnozy cel Cele detekcji typy patologii Współczesne
Bardziej szczegółowoWspomaganie decyzji diagnostycznych w mammografii
Wspomaganie decyzji diagnostycznych w mammografii Artur Przelaskowski, Anna Wróblewska, Paweł Bargieł Politechnika Warszawska, Instytut Radiolelektroniki, Nowowiejska 15/19, 00-665 Warszawa 1. Wprowadzenie
Bardziej szczegółowoSystemy uczące się Lab 4
Systemy uczące się Lab 4 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 26 X 2018 Projekt zaliczeniowy Podstawą zaliczenia ćwiczeń jest indywidualne wykonanie projektu uwzględniającego
Bardziej szczegółowoMultimedialne Systemy Medyczne
Multimedialne Systemy Medyczne Brain-Computer Interfaces (BCI) mgr inż. Katarzyna Kaszuba Interfejsy BCI Interfejsy BCI Interfejsy mózgkomputer. Zwykle wykorzystują sygnał elektroencefalografu (EEG) do
Bardziej szczegółowoProces informacyjny. Janusz Górczyński
Proces informacyjny Janusz Górczyński 1 Proces informacyjny, definicja (1) Pod pojęciem procesu informacyjnego rozumiemy taki proces semiotyczny, ekonomiczny i technologiczny, który realizuje co najmniej
Bardziej szczegółowoi ruchów użytkownika komputera za i pozycjonujący oczy cyberagenta internetowego na oczach i akcjach użytkownika Promotor: dr Adrian Horzyk
System śledzenia oczu, twarzy i ruchów użytkownika komputera za pośrednictwem kamery internetowej i pozycjonujący oczy cyberagenta internetowego na oczach i akcjach użytkownika Mirosław ł Słysz Promotor:
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa Ćwiczenie drugie Podstawowe przekształcenia obrazu 1 Cel ćwiczenia Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z podstawowymi przekształceniami obrazu wykonywanymi
Bardziej szczegółowoAnaliza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU
Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów
Bardziej szczegółowoPodstawy diagnostyki środków transportu
Podstawy diagnostyki środków transportu Diagnostyka techniczna Termin "diagnostyka" pochodzi z języka greckiego, gdzie diagnosis rozróżnianie, osądzanie. Ukształtowana już w obrębie nauk eksploatacyjnych
Bardziej szczegółowoMechatronika i inteligentne systemy produkcyjne. Modelowanie systemów mechatronicznych Platformy przetwarzania danych
Mechatronika i inteligentne systemy produkcyjne Modelowanie systemów mechatronicznych Platformy przetwarzania danych 1 Sterowanie procesem oparte na jego modelu u 1 (t) System rzeczywisty x(t) y(t) Tworzenie
Bardziej szczegółowoANALIZA SEMANTYCZNA OBRAZU I DŹWIĘKU
ANALIZA SEMANTYCZNA OBRAZU I DŹWIĘKU obraz dr inż. Jacek Naruniec Analiza Składowych Niezależnych (ICA) Independent Component Analysis Dąży do wyznaczenia zmiennych niezależnych z obserwacji Problem opiera
Bardziej szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 6 SYSTEMY ROZMYTE TYPU MAMDANIEGO
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa Ćwiczenie czwarte Przekształcenia morfologiczne obrazu 1 Cel ćwiczenia Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z definicjami operacji morfologicznych
Bardziej szczegółowoCyfrowe przetwarzanie obrazów. Dr inż. Michał Kruk
Cyfrowe przetwarzanie obrazów Dr inż. Michał Kruk Przekształcenia morfologiczne Morfologia matematyczna została stworzona w latach sześddziesiątych w Wyższej Szkole Górniczej w Paryżu (Ecole de Mines de
Bardziej szczegółowoOpis efektów kształcenia dla programu kształcenia (kierunkowe efekty kształcenia) WIEDZA. rozumie cywilizacyjne znaczenie matematyki i jej zastosowań
TABELA ODNIESIEŃ EFEKTÓW KSZTAŁCENIA OKREŚLONYCH DLA PROGRAMU KSZTAŁCENIA DO EFEKTÓW KSZTAŁCENIA OKREŚLONYCH DLA OBSZARU KSZTAŁCENIA I PROFILU STUDIÓW PROGRAM KSZTAŁCENIA: POZIOM KSZTAŁCENIA: PROFIL KSZTAŁCENIA:
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY WALIDACJA KRZYŻOWA dla ZAAWANSOWANEGO KLASYFIKATORA KNN ĆWICZENIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoOdciski palców ekstrakcja cech
Kolasa Natalia Odciski palców ekstrakcja cech Biometria sprawozdanie z laboratorium 4 1. Wstęp Biometria zajmuje się rozpoznawaniem człowieka na podstawie jego cech biometrycznych. Jest to możliwe ponieważ
Bardziej szczegółowoReprezentacja i analiza obszarów
Cechy kształtu Topologiczne Geometryczne spójność liczba otworów liczba Eulera szkielet obwód pole powierzchni środek cięŝkości ułoŝenie przestrzenne momenty wyŝszych rzędów promienie max-min centryczność
Bardziej szczegółowoAgnieszka Nowak Brzezińska
Agnieszka Nowak Brzezińska jeden z algorytmów regresji nieparametrycznej używanych w statystyce do prognozowania wartości pewnej zmiennej losowej. Może również byd używany do klasyfikacji. - Założenia
Bardziej szczegółowoInformatyka w medycynie Punkt widzenia kardiologa
Informatyka w medycynie Punkt widzenia kardiologa Lech Poloński Mariusz Gąsior Informatyka medyczna Dział informatyki zajmujący się jej zastosowaniem w ochronie zdrowia (medycynie) Stymulacja rozwoju informatyki
Bardziej szczegółowoZastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym
POLITECHNIKA WARSZAWSKA Instytut Technik Wytwarzania Zastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym Marcin Perzyk Dlaczego eksploracja danych?
Bardziej szczegółowoInteligentne wydobywanie informacji z internetowych serwisów społecznościowych
Inteligentne wydobywanie informacji z internetowych serwisów społecznościowych AUTOMATYKA INFORMATYKA Technologie Informacyjne Sieć Semantyczna Przetwarzanie Języka Naturalnego Internet Edytor Serii: Zdzisław
Bardziej szczegółowoAnaliza skupień. Analiza Skupień W sztucznej inteligencji istotną rolę ogrywają algorytmy grupowania
Analiza skupień W sztucznej inteligencji istotną rolę ogrywają algorytmy grupowania Analiza Skupień Elementy składowe procesu grupowania obiekt Ekstrakcja cech Sprzężenie zwrotne Grupowanie klastry Reprezentacja
Bardziej szczegółowoCo to jest grupowanie
Grupowanie danych Co to jest grupowanie 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Szukanie grup, obszarów stanowiących lokalne gromady punktów Co to jest grupowanie
Bardziej szczegółowoHierarchiczna analiza skupień
Hierarchiczna analiza skupień Cel analizy Analiza skupień ma na celu wykrycie w zbiorze obserwacji klastrów, czyli rozłącznych podzbiorów obserwacji, wewnątrz których obserwacje są sobie w jakimś określonym
Bardziej szczegółowoKlasyfikator. ˆp(k x) = 1 K. I(ρ(x,x i ) ρ(x,x (K) ))I(y i =k),k =1,...,L,
Klasyfikator Jedną z najistotniejszych nieparametrycznych metod klasyfikacji jest metoda K-najbliższych sąsiadów, oznaczana przez K-NN. W metodzie tej zaliczamy rozpoznawany obiekt do tej klasy, do której
Bardziej szczegółowoOperacje morfologiczne w przetwarzaniu obrazu
Przekształcenia morfologiczne obrazu wywodzą się z morfologii matematycznej działu matematyki opartego na teorii zbiorów Wykorzystuje się do filtracji morfologicznej, wyszukiwania informacji i analizy
Bardziej szczegółowoefekty kształcenia dla kierunku Elektronika studia stacjonarne drugiego stopnia, profil ogólnoakademicki
Opis efektów dla kierunku Elektronika Studia stacjonarne drugiego stopnia, profil ogólnoakademicki Objaśnienie oznaczeń: K kierunkowe efekty W kategoria wiedzy U kategoria umiejętności K (po podkreślniku)
Bardziej szczegółowoRelacja: III Seminarium Naukowe "Inżynierskie zastosowania technologii informatycznych"
Relacja: III Seminarium Naukowe "Inżynierskie zastosowania technologii informatycznych" W dniu 18.04.2015 odbyło się III Seminarium Naukowe Inżynierskie zastosowania technologii informatycznych. Organizatorzy
Bardziej szczegółowoPodstawowe badania obrazowe. Marcin Szulc Klinika Chorób Wewnętrznych, Nadciśnienia Tętniczego i Angiologii
Podstawowe badania obrazowe Marcin Szulc Klinika Chorób Wewnętrznych, Nadciśnienia Tętniczego i Angiologii Prawidłowe myślenie lekarskie Zebranie podstawowych danych (badanie podmiotowe i przedmiotowe)
Bardziej szczegółowoMichał Strzelecki Metody przetwarzania i analizy obrazów biomedycznych (3)
Michał Strzelecki Metody przetwarzania i analizy obrazów biomedycznych (3) Prezentacja multimedialna współfinansowana przez Unię Europejską w ramach Europejskiego Funduszu Społecznego w projekcie Innowacyjna
Bardziej szczegółowoPOB Odpowiedzi na pytania
POB Odpowiedzi na pytania 1.) Na czym polega próbkowanie a na czym kwantyzacja w procesie akwizycji obrazu, jakiemu rodzajowi rozdzielczości odpowiada próbkowanie a jakiemu kwantyzacja Próbkowanie inaczej
Bardziej szczegółowoWykrywanie obiektów na obrazach cyfrowych. Marcin Kuczyński
Wykrywanie obiektów na obrazach cyfrowych Marcin Kuczyński Spis treści 1. Wprowadzenie 2. System rozpoznawania obrazów 3. Wykrywanie w oparciu o kolor i tekstury 4. Wykrywanie krawędzi 5. Detekcja rogów
Bardziej szczegółowoMetody probabilistyczne klasyfikatory bayesowskie
Konwersatorium Matematyczne Metody Ekonomii narzędzia matematyczne w eksploracji danych First Prev Next Last Go Back Full Screen Close Quit Metody probabilistyczne klasyfikatory bayesowskie Wykład 8 Marcin
Bardziej szczegółowoWykrywanie twarzy na zdjęciach przy pomocy kaskad
Wykrywanie twarzy na zdjęciach przy pomocy kaskad Analiza i przetwarzanie obrazów Sebastian Lipnicki Informatyka Stosowana,WFIIS Spis treści 1. Wstęp... 3 2. Struktura i funkcjonalnośd... 4 3. Wyniki...
Bardziej szczegółowoRozpoznawanie obrazów na przykładzie rozpoznawania twarzy
Rozpoznawanie obrazów na przykładzie rozpoznawania twarzy Wykorzystane materiały: Zadanie W dalszej części prezentacji będzie omawiane zagadnienie rozpoznawania twarzy Problem ten można jednak uogólnić
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoSegmentacja przez detekcje brzegów
Segmentacja przez detekcje brzegów Lokalne zmiany jasności obrazu niosą istotną informację o granicach obszarów (obiektów) występujących w obrazie. Metody detekcji dużych, lokalnych zmian jasności w obrazie
Bardziej szczegółowoProste metody przetwarzania obrazu
Operacje na pikselach obrazu (operacje punktowe, bezkontekstowe) Operacje arytmetyczne Dodanie (odjęcie) do obrazu stałej 1 Mnożenie (dzielenie) obrazu przez stałą Operacje dodawania i mnożenia są operacjami
Bardziej szczegółowoNaiwny klasyfikator Bayesa brał pod uwagę jedynie najbliższe otoczenie. Lecz czym jest otoczenie? Jak je zdefiniować?
Algorytm k-nn Naiwny klasyfikator Bayesa brał pod uwagę jedynie najbliższe otoczenie. Lecz czym jest otoczenie? Jak je zdefiniować? Jak daleko są położone obiekty od siebie? knn k nearest neighbours jest
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowoSystemy ekspertowe i ich zastosowania. Katarzyna Karp Marek Grabowski
Systemy ekspertowe i ich zastosowania Katarzyna Karp Marek Grabowski Plan prezentacji Wstęp Własności systemów ekspertowych Rodzaje baz wiedzy Metody reprezentacji wiedzy Metody wnioskowania Języki do
Bardziej szczegółowoMetody selekcji cech
Metody selekcji cech A po co to Często mamy do dyspozycji dane w postaci zbioru cech lecz nie wiemy które z tych cech będą dla nas istotne. W zbiorze cech mogą wystąpić cechy redundantne niosące identyczną
Bardziej szczegółowoReprezentacja i analiza obszarów
Cechy kształtu Topologiczne Geometryczne spójność liczba otworów liczba Eulera szkielet obwód pole powierzchni środek ciężkości ułożenie przestrzenne momenty wyższych rzędów promienie max-min centryczność
Bardziej szczegółowoAnaliza składowych głównych
Analiza składowych głównych Wprowadzenie (1) W przypadku regresji naszym celem jest predykcja wartości zmiennej wyjściowej za pomocą zmiennych wejściowych, wykrycie związku między wielkościami wejściowymi
Bardziej szczegółowo