Metody wspomagania detekcji zmian patologicznych w mammografii
|
|
- Bogumił Adamczyk
- 7 lat temu
- Przeglądów:
Transkrypt
1 Metody wspomagania detekcji zmian patologicznych w mammografii Doktorat: Anna Wróblewska Promotor: Artur Przelaskowski Zakład Elektroniki Jądrowej i Medycznej Instytut Radioelektroniki Politechnika Warszawska
2 Tezy Komputerowa analiza i przetwarzanie cyfrowych obrazów mammograficznych umożliwia zwiększenie efektywności diagnozy mammograficznej poprzez: wygodną manipulację danymi obrazowymi (w tym dobór warunków prezentacji) poprawę percepcji zmian patologicznych automatyczne wskazanie potencjalnych zmian i regionów zagrożonych patologią klasyfikację podejrzanych zmian w tkance (wspieranie ontologii mmg oraz indeksowania w referencyjnej bazie badań mmg) Opracowany system wspomagania diagnostyki mammograficznej (CADD) jest przydatny w praktyce klinicznej.
3 Plan Badania mammograficznych i podstawowe patologie Koncepcja systemu wspomagania diagnostyki obrazowej cel, zastosowania, ogólny schemat System wspomagania diagnostyki mammograficznej - MammoViewer Proste operacje na obrazach dobór warunków prezentacji Wielorozdzielcza analiza obrazów Poprawa percepcji zmian Detekcja mikrozwapnień Diagnoza Inne zastosowania Eksperymenty Dane testowe Wyniki i analiza Podsumowanie
4 Badania mammograficzne - mała efektywność (duża zawodność) diagnozy duże zróżnicowanie właściwości obrazowanej informacji Poziom przekłamań w diagnozie ~30-40% decyzji FP ~10% decyzji FN
5 Mikrozwapnienia Drobne jasne plamki (średnica od 0.05 do 3 mm średnio 0.3 mm) ŁAGODNE większe, jednolite (kształt, tekstura) ZŁOŚLIWE drobne, niejednorodne, w skupiskach
6 Guzy ŁAGODNE jednolite (tekstura), regularny kształt (koliste lub owalne), dobrze odgraniczone, gładkie zarysy ZŁOŚLIWE duża gęstość, zarysy nieostre, spikule, zaburzenie architektury
7
8 Systemy wspomagania diagnostyki obrazowej cele i zastosowania Zmniejszenie liczby błędów detekcji Redukcja niewłaściwych interpretacji Obiektywizacja diagnozy Poprawa jakości obrazu Lepsza prezentacja zawartej informacji diagnostycznej Detekcja zmian potencjalnie patologicznych Klasyfikacja oszacowanie złośliwości
9 System wspomagania detekcji i diagnozy - schemat Cyfrowy obraz mammograficzny Segmentacja granicy piersi Wstępne przetwarzanie Ekstrakcja patologii Poprawa percepcji Usunięcie lub redukcja szumu i artefaktów Usunięcie informacji diagnostycznie nieistotnej Uwypuklenie cech istotnych dla diagnozy (tekstura, kształt, relacja do tła) Wzmocnienie lokalnego kontrastu Selekcja ROI Region growing Segmentacja zmiany patologicznej Ekstrakcja cech Klasyfikacja Wynik wspomagania Deskryptory matematyczne Guzy: kształt, spiculation, asymetria, gęstość Zwapnienia: rozmiar, kontrast, cechy klastrów Analiza dyskryminacyjna Sieci neuronowe Hybrydowe klasyfikatory Lokalizacja zmiany Prawdopodobieństwo złośliwości
10 Rozwiązanie własne - MammoViewer System wspomagania diagnostyki mammograficznej Proste operacje na obrazach dobór warunków prezentacji Wielorozdzielcza analiza obrazów Poprawa percepcji zmian Detekcja mikrozwapnień Diagnoza Rozszerzenie obszaru zastosowań
11 System CAD schemat algorytmiczny (narzędziowy) MammoViewer Operacje na mapach bitowych Kolorowanie map Wybór okna Zmiana głębi koloru Zmiana bajtów Podgląd Zmiana skali obrazu Operacje pikselowe Korekcja histogramu (jasność, kontrast, wyrównywanie) Selekcja ROI Okno na wartościach (definicja okna) Operacje geometryczne Aproksymacja histogramu funkcjami różnych rozkładów Linijka wymiarowanie struktur, profile Przetwarzanie w dziedzinie obrazu Filtracja przestrzenna (splot w przestrzeni obrazu) Operatory morfologiczne Ekstrakcja regionów, Cechy tekstury i kształtu Progowanie Operacje na 2 obrazach (dodawanie, odejmowanie, suma i różnica regionów) Przetwarzanie w dziedzinie wielorozdzielczej Transformacja falkowa (wybór jądra) Metody dekompozycji (z decymacją i bez) Wycinanie współczynników i podpasm Nieliniowe przekształcenia współczynników (kształtowane manualnie krzywe, wyrównywanie rozkładów, adaptacyjne progowanie) Rekonstrukcja, obraz różnicowy Wizualizacja współczynników falkowych Skalowalna filtracja LoG
12 System CAD schemat funkcjonalny MammoViewer Operacje na obrazach Wizualizacja obrazu Detekcja Klasyfikacja Obrazy w różnych formatach Obrazy mammograficzne, USG, CT Guzki w mammografii Mikrozwapnienia w mammografii Mikrozwapnienia w mammografii Poprawa percepcji Archiwizacja i indeksowanie Ontologia mammografii Mózg w CT Referencyjne bazy obrazów Mikrozwapnienia w mammografii Guzki w mammografii
13 System CAD detekcja mikrozwapnień Wejście: mammogram Klaster mikrozwapnień Wstępne przetwarzanie Lokalizacja: centra jasnych plam Klasteryzacja: DBSCAN Rekonstrukcja kształtów Znajdowanie konturu klastrów Wynik wspomagania detekcji
14 Poprawa percepcji zmian przetwarzanie w dziedzinie falkowej Odszumianie 6 poziomów dekompozycji, falka: Taswell Biortogonal Symmetric Most-Regular (10) Poprawa kontrastu kontrast6 kontrast7
15 Lokalizacja: centra potencjalnych mikrozwapnień Wielorozdzielczy detektor jasnych plam filtry LoG o różnych skalach Przybliżanie lokalnego kontrastu plam maksymalna odpowiedź na ścieżce filtrów LoG Plama jest mikrozwapnieniem, jeśli lokalny kontrast > progu Mikrozwapnienie na obrazie Współczynniki filtru LoG (Netsch T, Peitgen HO. IEEE Trans (c) Anna Medical Wróblewska Imag 1999; 18(8): )
16 Standardowa klasteryzacja Kryterium zaliczenia obiektów do klastra: Co najmniej 3 (lub 5) obiektów w oknie 1 cm 2
17 Klasteryzacja: DBSCAN (Density-Based Spatial Clustering of Applications with Noise) Grupowanie w klastry oparte na przestrzennym rozłożeniu i gęstości obiektów Klaster Punkt brzegowy Definicja klastra: punkty połączone z zadaną gęstością; punkty osiągalne z zadaną gęstością z ziarna ( seed ) Punkt wewnątrz klastra Eps sąsiedztwo zawierające co najmniej N punktów (Ester M, Kriegel HP, et all. Proc 2nd Conf (c) Anna on Wróblewska Knowl. Discovery and Data Mining 1996)
18 Klasteryzacja: DBSCAN Równomierne rozłożenie obiektów w klastrach Artefakty nieco oddalone od centrum klastra nie są grupowane Kształty klastrów są dokładniejsze Mniejsza złożoność obliczeniowa niż standardowych algorytmów 2 klastry wzdłuż włókien
19 Obraz źródłowy: po filtracji LoG w wielu skalach Obraz źródłowy: white top-hat Obraz źródłowy: oryginalny Segmentacja kształtu różne metody Maksymalny spadek Lokalne minimum Lokalne statystyki + dylacja konturu
20 Segmentacja kształtu Dane wejściowe: Punkty, ziarna w przybliżeniu centra obiektów (lokalnych maksimów) Przybliżone średnice obiektów (skala w filtracji LoG dobrana w algorytmie lokalizacji) Obraz wejściowy: Dla każdego ziarna i w jego otoczeniu obraz jest przefiltrowany odpowiednim filtrem LoG. Algorytm maksymalnego spadku ( hill climbing ) Wartość spadku (w kilku kierunkach wokół punktu centrum): s( x, y) f ( x 0, y d( x 0 0 ), y 0 f ( x, y), x, y) (x 0,y 0 ) - punkt wejściowy (lokalne maksimum), d(x 0,y 0,x,y) - odległość Euklidesowa pomiędzy punktami, f(x,y) - wartość funkcji jasności w punkcie (x,y) w dziedzinie obrazu lub w dziedzinie wielorozdzielczej (np. po filtracji LoG w wielu skalach). Otoczka wypukła obiektów w klastrze
21 Poprawa percepcji - wyniki testu subiektywnego Średnia ocena lekarza Zestaw parametrów Średnia ocena lekarza Zestaw parametrów Ogólnie Mikrozwapnienia Guzy spikularne k (?) k (?) Subtelność (widoczność) zmiany k6 +2 (?) +2 (?) k7 +2 (?) +2 (?) Baza testowa: 16 obrazów z bazy DDSM o rozdzielczości 43.5 mikronów/piksel z 12-bitową głębią koloru - Współpraca dwóch radiologów Guzy dobrze odgraniczone Skala Opis słowny ocen charakteryzujący jakość obrazu 3 Zdecydowanie lepsza 2 Lepsza 1 Nieznacznie lepsza 0 Porównywalna z oryginałem -1 Nieznacznie gorsza -2 Gorsza -3 Zdecydowanie gorsza
22 Przykład poprawy percepcji guz spikularny
23 Poprawa percepcji guz spikularny + mikrozwapnienia
24 Testy detekcji (ad hoc) Testowa baza DDSM i własne obrazy zbiór 20 zdiagnozowanych obrazów o rozdzielczości 43.5 i 45.5 mikronów/piksel z 12-bitową głębią koloru Współpraca 2 radiologów dobór parametrów rekonstrukcji kształtu
25 Wyniki wydajność detekcji Patologia dobrze wykryta Czułość: około 83% Średnia liczba fałszywych wskazań na obraz to 2 Fałszywe wskazania Systemy komercyjne (R2 ImageChecker, icad Secondlook): Czułość: około 98% FP na obraz: 0.5-1
26 TP/(TP+FP+1) Wydajność detekcji na kompresowanych obrazach Mniej fałszywych wskazań na kompresowanych mammogramach przy takiej samej czułości 0,3 TP/(TP+FP+1) 0,25 12bpp 0.3bpp 0,2 0,15 0,1 0.05b pp 0,05 0 0,01 0,05 0,1 0,2 0,3 1,0,4 0,5 0,8 0,9 1 Oryginały średnia bitow a
27 Nie wykryte patologie i fałszywe wskazania Fałszywie negatywne: Fałszywe wskazania:
28 Ekstrakcja cech i klasyfikacja Cechy pojedynczych mikrozwapnień Powierzchnia, zwartość, momenty kształtu, wyrazistość krawędzi, średni poziom jasności obiektu i sąsiedztwa (tła), lokalny kontrast, momenty geometryczne, niezmiennicze Statystyczne cechy tekstury Macierz powinowactwa (zdarzeń) (Wielorozdzielcze cechy tekstury) Cechy falkowe, filtry Gabora Cechy klastrów mikrozwapnień Powierzchnia, liczba mikrozwapnień, średni poziom jasności Klasyfikator - sztuczna sieć neuronowa: trójwarstwowa sieć jednokierunkowa z algorytmem uczącym propagacji wstecznej
29 Weryfikacja detekcji i diagnoza pojedynczych mikrozwapnień
30 Wyniki klasyfikacji Uczenie i testowanie sieci - 35 mammogramów (ok. 500 obiektów) Zbiory uczący i testujący - rozłączne Rodzaj sieci PRAWDA / FAŁSZ ŁAGODNE / ZŁOŚLIWE ŁAGODNE / ZŁOŚLIWE / FAŁSZYWE Wyniki klasyfikacji dla zbioru testowego 84% - 93% średnio 90% 66% - 83% średnio 74% 65% -70% średnio 68%
31 Rozszerzenie obszaru zastosowań Wspieranie systemu ontologii Doskonalenie metod indeksowania po zawartości (referencyjna baza danych)
32 CAD i ontologia mammografii Opis Semantyczny Opis Numeryczny Subiektywny, względny, niestandardowy, niejednoznaczny Nieprecyzyjne, nieformalne reguły diagnozy Skupisko mikrozwapnień: Kształty mikrozwapnień okrągłe, ziarniste Kształt skupiska figura kanciasta Wysycenie średnie Zmienność wysycenia znaczna Zmienność wielkości znaczna Ilość N (zmienność kształtu) Diagnoza duże prawdopodobieństwo złośliwości BI-RADS 5 ROI: Brak uwzględnienia semantyki, Niejawne, silnie statystyczne reguły diagnozy Żaden z tych opisów nie jest naprawdę satysfakcjonujący, są nieprzystające, nie uzupełniają się nawzajem
33 Semantyczna analiza obrazu wykorzystanie wiedzy medycznej (ontologia mmg) i ontologii obrazu mmg Ontologia mammografii: formalna reprezentacja wiedzy medycznej używanej do semantycznego opisu i przede wszystkim interpretacji zmian mammograficznych w kategoriach diagnozy
34
35 MammoViewer - element systemu indeksacji zawartością MammoViewer jako narzędzie ekstrakcji cech semantycznych do indeksowania Ilość klastrów, ilość mikrozwapnień w klastrze, powierzchnia, [diagnoza] MV generuje gotowe do użycia binarne pliki cech dla serwera indeksującego
36 MammoViewer - klient systemu wyszukiwania po zawartości Indeksowanie zawartością jako wsparcie diagnozy Możliwość podłączenia do wielu referencyjnych baz danych poprzez usługę sieciową MammoViewer Internet (inne referencyjne bazy danych) Usługa sieciowa Baza danych CBIR
37 Zintegrowany interfejs wspomagania do stacji diagnostycznej Ontologia CAD Referencyjne bazy danych Stacja diagnostyczna
38
39 Efekty prac badawczych Framework do tworzenia i testowania algorytmów detekcji i klasyfikacji (System przystosowany do integracji z innymi rozwiązaniami i pracami badawczymi) Zaawansowane narzędzie do analizy wielorozdzielczej Algorytm detekcji mikrozwapnień = falkowe wstępne przetwarzanie + lokalizacja oparta na filtracji LoG + DBSCAN + rekonstrukcja kształtu Możliwe jest zwiększenie czułości i trafności decyzji radiologów poprzez poprawę diagnostycznie istotnych cech obrazów oraz zasugerowanie lokalizacji i kształtu zmian - Testy i konsultacje przeprowadzone z lekarzami Koncepcja integracji CAD z ontologią mammografii oraz referencyjną bazą obrazów
40 Metody wspomagania detekcji zmian patologicznych w mammografii Praca naukowa finansowana ze środków budżetowych na naukę w latach jako projekt badawczy 3 T11E Autorka była stypendystką Fundacji Na Rzecz Nauki Polskiej w roku 2005/2006 Program wykorzystywany w pracy: Kontakt: awroble@ire.pw.edu.pl
Wspomaganie 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 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 szczegółowoMetoda klasteryzacji i segmentacji mikrozwapnień w celu redukcji wskazań fałszywych przy komputerowym wspomaganiu mammografii
Metoda klasteryzacji i segmentacji mikrozwapnień w celu redukcji wskazań fałszywych przy komputerowym wspomaganiu mammografii Anna Wróblewska, Artur Przelaskowski, Paweł Bargieł, Piotr Boniński Zakład
Bardziej szczegółowoKOMPUTEROWA INŻYNIERIA OBRAZÓW
PODSTAWY INŻYNIERII DIAGNOSTYKI OBRAZOWEJ W MEDYCYNIE (PIDOM) KOMPUTEROWA INŻYNIERIA OBRAZÓW Artur Przelaskowski materiały do wykładu (rysunki w dużej części ze źródeł internetowych oraz własnych) Wybrane
Bardziej szczegółowoSYSTEM AUTOMATYCZNEJ DETEKCJI I KLASYFIKACJI MIKROZWAPNIEŃ W CYFROWEJ MAMMOGRAFII
SYSTEM AUTOMATYCZNEJ DETEKCJI I KLASYFIKACJI MIKROZWAPNIEŃ W CYFROWEJ MAMMOGRAFII Anna Wróblewska, Artur Przelaskowski Zakład Elektroniki Jądrowej i Medycznej, Instytut Radioelektroniki PW ul.nowowiejska
Bardziej szczegółowoMichał Kozielski Łukasz Warchał. Instytut Informatyki, Politechnika Śląska
Michał Kozielski Łukasz Warchał Instytut Informatyki, Politechnika Śląska Algorytm DBSCAN Algorytm OPTICS Analiza gęstego sąsiedztwa w grafie Wstępne eksperymenty Podsumowanie Algorytm DBSCAN Analiza gęstości
Bardziej szczegółowoPOLITECHNIKA WARSZAWSKA ROZPRAWA DOKTORSKA
POLITECHNIKA WARSZAWSKA Wydział Elektroniki i Technik Informacyjnych ROZPRAWA DOKTORSKA mgr inż. Anna Wróblewska Metody wspomagania detekcji zmian patologicznych w mammografii Promotor dr hab. inż. Artur
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 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 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 szczegółowoPOPRAWIANIE JAKOŚCI OBRAZU W DZIEDZINIE PRZESTRZENNEJ (spatial image enhancement)
POPRAWIANIE JAKOŚCI OBRAZU W DZIEDZINIE PRZESTRZENNEJ (spatial image enhancement) Przetwarzanie obrazów cyfrowych w celu wydobycia / uwydatnienia specyficznych cech obrazu dla określonych zastosowań. Brak
Bardziej szczegółowoWYKŁAD 13 ANALIZA I ROZPOZNANIE OBRAZU. Konstrukcja wektora cech z użyciem współczynników kształtu
WYKŁAD 13 ANALIZA I ROZPOZNANIE OBRAZU Współczynniki kształtu W1,...,W9 stanowią skalarną miarę kształtu analizowanego obiektu. Konstrukcja wektora cech z użyciem współczynników kształtu Wektor cech: x
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 szczegółowoModelowanie zmian patologicznych sutka z wykorzystaniem analizy wielorozdzielczej
Modelowanie zmian patologicznych sutka z wykorzystaniem analizy wielorozdzielczej Artur Przelaskowski 1 Przemysław Wojtaszczyk 2, Anna Wróblewska 1 1 Politechnika Warszawska, Instytut Radiolelektroniki,
Bardziej szczegółowoPrzedmowa 11 Ważniejsze oznaczenia 14 Spis skrótów i akronimów 15 Wstęp 21 W.1. Obraz naturalny i cyfrowe przetwarzanie obrazów 21 W.2.
Przedmowa 11 Ważniejsze oznaczenia 14 Spis skrótów i akronimów 15 Wstęp 21 W.1. Obraz naturalny i cyfrowe przetwarzanie obrazów 21 W.2. Technika obrazu 24 W.3. Normalizacja w zakresie obrazu cyfrowego
Bardziej szczegółowoAnaliza obrazu. wykład 3. Marek Jan Kasprowicz Uniwersytet Rolniczy 2009
Analiza obrazu komputerowego wykład 3 Marek Jan Kasprowicz Uniwersytet Rolniczy 2009 Binaryzacja Binaryzacja jest jedną z ważniejszych ż czynności punktowego przetwarzania obrazów. Poprzedza prawie zawsze
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 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 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 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 szczegółowoALA MA KOTA MEDIA - OBRAZ OBRAZ. Operacje na obrazie. Informacja ukryta w teksturach, hierarchii krawędzi. Obraz to kompozycja:
OBRAZ Obraz to kompozycja: tła konturów tekstur PODSTAWY TECHNIK MULTIMEDIALNYCH, A.Przelaskowski MEDIA - OBRAZ f R M N k ALA MA KOTA obraz losowy bez żadnej informacji Dwuwymiarowa struktura: macierz
Bardziej szczegółowoElektronika i Telekomunikacja I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013
Bardziej szczegółowoAnaliza metod wykrywania przekazów steganograficznych. Magdalena Pejas Wydział EiTI PW magdap7@gazeta.pl
Analiza metod wykrywania przekazów steganograficznych Magdalena Pejas Wydział EiTI PW magdap7@gazeta.pl Plan prezentacji Wprowadzenie Cel pracy Tezy pracy Koncepcja systemu Typy i wyniki testów Optymalizacja
Bardziej szczegółowoP R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H
W O J S K O W A A K A D E M I A T E C H N I C Z N A W Y D Z I A Ł E L E K T R O N I K I Drukować dwustronnie P R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H Grupa... Data wykonania
Bardziej szczegółowoTeraz bajty. Informatyka dla szkół ponadpodstawowych. Zakres rozszerzony. Część 1.
Teraz bajty. Informatyka dla szkół ponadpodstawowych. Zakres rozszerzony. Część 1. Grażyna Koba MIGRA 2019 Spis treści (propozycja na 2*32 = 64 godziny lekcyjne) Moduł A. Wokół komputera i sieci komputerowych
Bardziej szczegółowoAUTOMATYKA INFORMATYKA
AUTOMATYKA INFORMATYKA Technologie Informacyjne Sieć Semantyczna Przetwarzanie Języka Naturalnego Internet Edytor Serii: Zdzisław Kowalczuk Inteligentne wydobywanie informacji z internetowych serwisów
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 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 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 szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 8 AiR III
1 Niniejszy dokument zawiera materiały do wykładu z przedmiotu Cyfrowe Przetwarzanie Obrazów i Sygnałów. Jest on udostępniony pod warunkiem wykorzystania wyłącznie do własnych, prywatnych potrzeb i może
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 szczegółowoWybrane zagadnienia w pracy z danymi rastrowymi w ArcGIS Marcin Paź Esri Polska
Wybrane zagadnienia w pracy z danymi rastrowymi w ArcGIS 10.1 Marcin Paź Esri Polska Zagadnienia Koncepcja rastra Typy danych rastrowych Właściwości rastrów Modele danych rastrowych w ArcGIS Przetwarzanie
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 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 szczegółowoPolitechnika Świętokrzyska. Laboratorium. Przetwarzanie obrazów medycznych. Ćwiczenie 5. Filtracja kontekstowa obrazów.
Politechnika Świętokrzyska Laboratorium Przetwarzanie obrazów medycznych Ćwiczenie 5 Filtracja kontekstowa obrazów. Cel ćwiczenia Celem ćwiczenia jest zdobucie umiejętności tworzenia funkcji realizujących
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
Może to? SZTUCZNA INTELIGENCJA przygotował ze źródeł własnych i internetowych oraz Teresy Podsiadły-Marczykowskiej i Anny Wróblewskiej Artur Przelaskowski Może tam? METODY OBIEKTYWIZACJI LUDZKIEJ INTELIGENCJI
Bardziej szczegółowoRaport. Bartosz Paprzycki xed@mat.umk.pl UMK 2009/2010
Raport Bartosz Paprzycki xed@mat.umk.pl UMK 2009/2010 1. Wykrywanie krawędzi 1.0. Obraz oryginalny 1. 1.1. Sobel. Parametry: domyślne. 1.2. Prewitt. Parametry: domyślne. 1.3. Roberts. Parametry: domyślne.
Bardziej szczegółowoMetoda detekcji guzków w obrazach mammograficznych wykorzystująca transformację Rayleigha
Metoda detekcji guzków w obrazach mammograficznych wykorzystująca transformację Rayleigha Piotr Boniński, Anna Wróblewska, Artur Przelaskowski 1), 1) Instytut Radioelektroniki Politechniki Warszawskiej
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 szczegółowoWSPOMAGANIE OBRAZOWEJ DIAGNOSTYKI
WSPOMAGANIE OBRAZOWEJ DIAGNOSTYKI Adam Głowacz Techniki Obrazowania Medycznego Plan prezentacji Wprowadzenie Systemy ACD i CAD Wstępne przetwarzanie obrazów Ekstrakcja cech Klasyfikacja Przykłady rozpoznawania
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 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 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 szczegółowoANALIZA OBRAZU Analiza obrazu poprawy jako ci obrazu, restauracji obrazów kodowania obrazów
ANALIZA OBRAZU Analiza obrazu (ang. image analysis, scene analysis, image description, image understanding, pattern recognition, machine/computer vision) dotyczy metod wydobywania danych (informacji) z
Bardziej szczegółowoLaboratorium Cyfrowego Przetwarzania Obrazów
Laboratorium Cyfrowego Przetwarzania Obrazów Ćwiczenie 4 Filtracja 2D Opracowali: - dr inż. Krzysztof Mikołajczyk - dr inż. Beata Leśniak-Plewińska - dr inż. Jakub Żmigrodzki Zakład Inżynierii Biomedycznej,
Bardziej szczegółowoPrzetwarzanie obrazów wykład 2
Przetwarzanie obrazów wykład 2 Adam Wojciechowski Wykład opracowany na podstawie Komputerowa analiza i przetwarzanie obrazów R. Tadeusiewicz, P. Korohoda Etapy obróbki pozyskanego obrazu Obróbka wstępna
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 szczegółowoPodstawy grafiki komputerowej
Podstawy grafiki komputerowej Krzysztof Gracki K.Gracki@ii.pw.edu.pl tel. (22) 6605031 Instytut Informatyki Politechniki Warszawskiej 2 Sprawy organizacyjne Krzysztof Gracki k.gracki@ii.pw.edu.pl tel.
Bardziej szczegółowoKARTA PRZEDMIOTU. W5/1;W16/1 W5 Zna podstawowe metody przetwarzania wstępnego EP WM K_W9/3; obrazów barwnych.
(pieczęć wydziału) KARTA PRZEDMIOTU 1. Nazwa przedmiotu: PRZETWARZANIE OBRAZÓW CYFROWYCH 3. Karta przedmiotu ważna od roku akademickiego: 2012/2013 4. Forma kształcenia: studia pierwszego stopnia 5. Forma
Bardziej szczegółowoMichał Strzelecki Metody przetwarzania i analizy obrazów biomedycznych (1)
Michał Strzelecki Metody przetwarzania i analizy obrazów biomedycznych (1) Prezentacja multimedialna współfinansowana przez Unię Europejską w ramach Europejskiego Funduszu Społecznego w projekcie Innowacyjna
Bardziej szczegółowoAKWIZYCJA I PRZETWARZANIE WSTĘPNE
WYKŁAD 2 AKWIZYCJA I PRZETWARZANIE WSTĘPNE Akwizycja (pozyskiwanie) obrazu Akwizycja obrazu - przetworzenie obrazu obiektu fizycznego (f(x,y)) do postaci zbioru danych dyskretnych (obraz cyfrowy) nadających
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 szczegółowoSystemy uczące się wykład 2
Systemy uczące się wykład 2 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 19 X 2018 Podstawowe definicje Fakt; Przesłanka; Konkluzja; Reguła; Wnioskowanie. Typy wnioskowania
Bardziej szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 3 AiR III
1 Niniejszy dokument zawiera materiały do wykładu z przedmiotu Cyfrowe Przetwarzanie Obrazów i Sygnałów. Jest on udostępniony pod warunkiem wykorzystania wyłącznie do własnych, prywatnych potrzeb i może
Bardziej szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 7 AiR III
1 Niniejszy dokument zawiera materiały do wykładu z przedmiotu Cyfrowe Przetwarzanie Obrazów i Sygnałów. Jest on udostępniony pod warunkiem wykorzystania wyłącznie do własnych, prywatnych potrzeb i może
Bardziej szczegółowoWYKŁAD 3. Przykłady zmian w obrazie po zastosowaniu Uniwersalnego Operatora Punktowego
WYKŁAD 3 Przykłady zmian w obrazie po zastosowaniu Uniwersalnego Operatora Punktowego 1 Przykłady zmian w obrazie po zastosowaniu Uniwersalnego Operatora Punktowego (c.d.) 2 Zestawienie zbiorcze - Regulacje
Bardziej szczegółowoOpracowanie komponentów pochodnych BDOT10k: map topograficznych i hybrydowych oraz bazy BDOO
Opracowanie komponentów pochodnych BDOT10k: map topograficznych i hybrydowych oraz bazy BDOO Agata Pillich-Kolipińska Andrzej Głażewski, Paweł J. Kowalski plan prezentacji koncepcja opracowania linii technologicznej
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 szczegółowoObraz jako funkcja Przekształcenia geometryczne
Cyfrowe przetwarzanie obrazów I Obraz jako funkcja Przekształcenia geometryczne dr. inż Robert Kazała Definicja obrazu Obraz dwuwymiarowa funkcja intensywności światła f(x,y); wartość f w przestrzennych
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 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 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 szczegółowoRodzaje analiz w SIT/GIS
Rodzaje analiz w SIT/GIS Analizy przestrzenne to zbiór działań na jednej bądź kilku warstwach informacyjnych GIS, w celu uzyskania nowej informacji w postaci graficznej lub tabelarycznej Rodzaje analiz
Bardziej szczegółowoWyższa Szkoła Informatyki Stosowanej i Zarządzania
Wyższa Szkoła Informatyki Stosowanej i Zarządzania Grupa ID308, Zespół 11 PRZETWARZANIE OBRAZÓW Sprawozdanie z ćwiczeń Ćwiczenie 6 Temat: Operacje sąsiedztwa wyostrzanie obrazu Wykonali: 1. Mikołaj Janeczek
Bardziej szczegółowoFiltracja obrazu operacje kontekstowe
Filtracja obrazu operacje kontekstowe Główne zadania filtracji Usunięcie niepożądanego szumu z obrazu Poprawa ostrości Usunięcie określonych wad obrazu Poprawa obrazu o złej jakości technicznej Rekonstrukcja
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 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 szczegółowoBartosz Kulawik Koordynator Projektu Centrum Badań Kosmicznych PAN Zespół Obserwacji Ziemi
Bartosz Kulawik Koordynator Projektu Centrum Badań Kosmicznych PAN Zespół Obserwacji Ziemi Maciej Borsa Koordynator B+R Instytut Systemów Przestrzennych I Katastralnych Upowszechnienie techniki satelitarnej
Bardziej szczegółowoAnaliza obrazów. Segmentacja i indeksacja obiektów
Analiza obrazów. Segmentacja i indeksacja obiektów Wykorzystane materiały: R. Tadeusiewicz, P. Korohoda, Komputerowa analiza i przetwarzanie obrazów, Wyd. FPT, Kraków, 1997 Analiza obrazu Analiza obrazu
Bardziej szczegółowoIndeksy w bazach danych. Motywacje. Techniki indeksowania w eksploracji danych. Plan prezentacji. Dotychczasowe prace badawcze skupiały się na
Techniki indeksowania w eksploracji danych Maciej Zakrzewicz Instytut Informatyki Politechnika Poznańska Plan prezentacji Zastosowania indeksów w systemach baz danych Wprowadzenie do metod eksploracji
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 szczegółowoWizja maszynowa w robotyce i automatyzacji Kod przedmiotu
Wizja maszynowa w robotyce i automatyzacji - opis przedmiotu Informacje ogólne Nazwa przedmiotu Wizja maszynowa w robotyce i automatyzacji Kod przedmiotu 11.9-WE-AiRD-WMwRiA Wydział Kierunek Wydział Informatyki,
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 szczegółowoPrzetwarzanie obrazów wykład 3
Przetwarzanie obrazów wykład 3 Adam Wojciechowski Wykład opracowany na podstawie Komputerowa analiza i przetwarzanie obrazów R. Tadeusiewicz, P. Korohoda Operacje kontekstowe (filtry) Operacje polegają
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 szczegółowoSYLABUS ECCC MOD U Ł : C S M2 GR A F I K A KO M P U T E R O W A PO Z I O M: PO D S T A W O W Y (A)
SYLABUS ECCC MOD U Ł : C S M2 GR A F I K A KO M P U T E R O W A PO Z I O M: PO D S T A W O W Y (A) GRUPA KOMPETENCJI KOMPETENCJE OBJĘTE STANDARDEM ECCC 1. Teoria grafiki komputerowej 1.1. Podstawowe pojęcia
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: ANALIZA I PRZETWARZANIE OBRAZÓW CYFROWYCH Kierunek: Informatyka Rodzaj przedmiotu: moduł specjalności obowiązkowy: Programowanie aplikacji internetowych Rodzaj zajęć: wykład, laboratorium
Bardziej szczegółowoForum ezdrowia Sopot 2018
CZY SZTUCZNA INTELIGENCJA ZASTĄPI DIAGNOSTĘ I ZWIĘKSZY WYKONANIE BADAŃ CYTOLOGICZNYCH W RAMACH PROFILAKTYKI RAKA SZYJKI MACICY? Forum ezdrowia Sopot 2018 dr Łukasz Lasyk Tomasz Włodarczyk AGENDA 1. Problem
Bardziej szczegółowoMetody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści
Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, 2012 Spis treści Przedmowa do wydania drugiego Przedmowa IX X 1. Wstęp 1 2. Wybrane zagadnienia sztucznej inteligencji
Bardziej szczegółowoDane obrazowe. R. Robert Gajewski omklnx.il.pw.edu.pl/~rgajewski
Dane obrazowe R. Robert Gajewski omklnx.il.pw.edu.pl/~rgajewski www.il.pw.edu.pl/~rg s-rg@siwy.il.pw.edu.pl Przetwarzanie danych obrazowych! Przetwarzanie danych obrazowych przyjmuje trzy formy:! Grafikę
Bardziej szczegółowowww.korektorzdrowia.pl www.watchhealthcare.eu PORADNIK DLA PACJENTÓW Biopsja
www.korektorzdrowia.pl www.watchhealthcare.eu PORADNIK DLA PACJENTÓW Biopsja Rak piersi Najczęściej występujący nowotwór złośliwy u kobiet w Polsce 2004 r. ponad12 000 nowych zachorowań na raka piersi
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 szczegółowoUniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu.
SYLLABUS na rok akademicki 01/013 Tryb studiów Studia stacjonarne Kierunek studiów Informatyka Poziom studiów Pierwszego stopnia Rok studiów/ semestr /3 Specjalność Bez specjalności Kod katedry/zakładu
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoPrzetwarzanie obrazu
Przetwarzanie obrazu Przekształcenia geometryczne Obroty Przesunięcia Odbicia Rozciągnięcia itp Przekształcenia geometryczne Obroty Wielokrotność 90 stopni Inne Przekształcenia geometryczne Obroty Wielokrotność
Bardziej szczegółowoProcesy integracji modeli danych do jednolitej struktury WBD. Tadeusz Chrobak, Krystian Kozioł, Artur Krawczyk, Michał Lupa
Procesy integracji modeli danych do jednolitej struktury WBD Tadeusz Chrobak, Krystian Kozioł, Artur Krawczyk, Michał Lupa Koncepcja Wielorozdzielczej Bazy Danych Kluczowe uwarunkowania systemu generalizacji:
Bardziej szczegółowoSAS wybrane elementy. DATA MINING Część III. Seweryn Kowalski 2006
SAS wybrane elementy DATA MINING Część III Seweryn Kowalski 2006 Algorytmy eksploracji danych Algorytm eksploracji danych jest dobrze zdefiniowaną procedurą, która na wejściu otrzymuje dane, a na wyjściu
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: moduł specjalności obowiązkowy: Sieci komputerowe Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE
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 szczegółowoZMODYFIKOWANY Szczegółowy opis przedmiotu zamówienia
ZP/ITS/11/2012 Załącznik nr 1a do SIWZ ZMODYFIKOWANY Szczegółowy opis przedmiotu zamówienia Przedmiotem zamówienia jest: Przygotowanie zajęć dydaktycznych w postaci kursów e-learningowych przeznaczonych
Bardziej szczegółowoTechniki uczenia maszynowego nazwa przedmiotu SYLABUS
Techniki uczenia maszynowego nazwa SYLABUS Obowiązuje od cyklu kształcenia: 2014/20 Część A. Informacje ogólne Elementy składowe sylabusu Nazwa jednostki prowadzącej studiów Poziom kształcenia Profil studiów
Bardziej szczegółowoDiagnostyka procesów przemysłowych Kod przedmiotu
Diagnostyka procesów przemysłowych - opis przedmiotu Informacje ogólne Nazwa przedmiotu Diagnostyka procesów przemysłowych Kod przedmiotu 06.0-WE-AiRP-DPP Wydział Kierunek Wydział Informatyki, Elektrotechniki
Bardziej szczegółowoKompresja dźwięku w standardzie MPEG-1
mgr inż. Grzegorz Kraszewski SYSTEMY MULTIMEDIALNE wykład 7, strona 1. Kompresja dźwięku w standardzie MPEG-1 Ogólne założenia kompresji stratnej Zjawisko maskowania psychoakustycznego Schemat blokowy
Bardziej szczegółowoROZDZIAŁ 1. WPROWADZENIE DO PROBLEMATYKI SYSTEMÓW EKSPERTOWYCH 19
SPIS TREŚCI WSTĘP 15 ROZDZIAŁ 1. WPROWADZENIE DO PROBLEMATYKI SYSTEMÓW EKSPERTOWYCH 19 1.1. Pojęcie i rozwój systemów ekspertowych 19 1.1.1. Definiowanie systemu ekspertowego w literaturze przedmiotu 20
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 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 szczegółowoData Mining Wykład 9. Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster. Plan wykładu. Sformułowanie problemu
Data Mining Wykład 9 Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster Plan wykładu Wprowadzanie Definicja problemu Klasyfikacja metod grupowania Grupowanie hierarchiczne Sformułowanie problemu
Bardziej szczegółowoAnaliza współczynników zdrowego powietrza wewnątrz budynków pod kątem indywidualnego i komfortowego samopoczucia
Analiza współczynników zdrowego powietrza wewnątrz budynków pod kątem indywidualnego i komfortowego samopoczucia Grit Behrens, Klaus Schlender, Florian Fehring FH Bielefeld University of Applied Sciences
Bardziej szczegółowoR I S R a d i o l o g i c z n y S y s t e m I n f o r m a c y j n y
NOWOCZESNE TECHNOLOGIE DLA MEDYCYNY DOSTĘP DO WSZYSTKICH INFORMACJI Z POZIOMU PRZEGLĄDARKI WWW DOSTOSOWANIE OPROGRAMOWANIA DO WYMOGÓW PRAWA W ZAKRESIE ELEKTRONICZNEJ DOKUMENTACJI MEDYCZNEJ PRZYJAZNY INTERFEJS
Bardziej szczegółowo