Systemy wspomagania diagnozy, czyli mammografia przyszłości
|
|
- Ewa Marek
- 8 lat temu
- Przeglądów:
Transkrypt
1 Systemy wspomagania diagnozy, czyli mammografia przyszłości Anna Wróblewska
2 Plan prezentacji Mammografia Problemy interpretacji badań Komputerowe wspomaganie diagnozy cel Cele detekcji typy patologii Współczesne komercyjne systemy detekcji Metody detekcji mikrozwapnień - przegląd Nasza aplikacja funkcjonalność Własna metoda detekcji Otrzymane wyniki Podsumowanie
3 RMLO LMLO Mammografia Prześwietlenie piersi miękkim promieniowaniem rentgenowskim Obecnie najbardziej czuła metoda (we wczesnej detekcji raka) Możliwość wykrycia zmian bezobjawowych mammografia skriningowa Dokładniejsza ocena charakteru zmian RCC LCC
4 Ograniczenia interpretacji badań Nie ma jednoznacznego standardu dla określenia prawidłowego sutka Złożona struktura tkanki piersi Duże różnice w wyglądzie normalnej tkanki Często delikatna charakterystyka patologii
5 Ograniczenia interpretacji Subiektywizm diagnozy Zmęczenie (duża ilość danych) Brak doświadczenia Warunki zewnętrzne: złe oświetlenie itp. Błędy: Przeoczenie widocznej zmiany Niewłaściwa ocena wykrytej patologii Poziom przekłamań w diagnozie ~30-40% decyzji FP ~10% decyzji FN
6 Rozwiązanie - komputerowe wspomaganie diagnozy (CAD) Włączenie technologii komputerowej w proces interpretacji m.in. metody modelowania i rozpoznawania wzorców, poprawy percepcji Komputerowo wspomagana diagnoza to wspieranie decyzji diagnostycznej radiologa metodami przetwarzania, analizy i rozpoznawania danych Ostateczną decyzję podejmuje lekarz, a wskazania CAD mają jedynie charakter sugestii
7 CAD - cel Zmniejszenie liczby błędów detekcji Redukcja niewłaściwych interpretacji Obiektywizacja diagnozy Poprawa jakości obrazu Lepsza prezentacja zawartej informacji diagnostycznej Detekcja zmian potencjalnie patologicznych Klasyfikacja oszacowanie złośliwości
8 CAD schemat funkcjonalny Cyfrowy obraz medyczny -Przetworzony obraz -Symbol: strzałka, gwiazdka -Wartość numeryczna: prawdopodobieństwo złośliwości Komputer Wynik wspomagania Radiolog Decyzja diagnostyczna Obraz medyczny
9 Cel detekcji mikrozwapnienia Drobne jasne plamki (średnica od 0.1 do 3 mm) ŁAGODNE większe, jednolite (kształt, tekstura) ZŁOŚLIWE drobne, niejednorodne, w skupiskach
10 Cel detekcji guzy ŁAGODNE jednolite (tekstura), regularny kształt (koliste lub owalne), dobrze odgraniczone, gładkie zarysy ZŁOŚLIWE duża gęstość, zarysy nieostre, spikule, zaburzenie architektury
11 CAD - algorytm Cyfrowy obraz mammograficzny Segmentacja granicy piersi Deskryptory matematyczne Wstępne przetwarzanie Ekstrakcja patologii Ekstrakcja cech Klasyfikacja Usunięcie lub redukcja szumu i artefaktów Usunięcie informacji diagnostycznie nieistotnej Uwypuklenie cech istotnych dla diagnozy Wzmocnienie lokalnego kontrastu Selekcja ROI Region growing Segmentacja zmiany patologicznej Guzy: kształt, spiculation, asymetria, gęstość Zwapnienia: rozmiar, kontrast, cechy klastrów Analiza dyskryminacyjna Sieci neuronowe Hybrydowe klasyfikatory Wynik wspomagania Lokalizacja zmiany Prawdopodobieństwo złośliwości
12 Podobne w czułości, liczba fałszywych wskazań różni się Różnią się sposobem prezentacji, integracją z systemami cyfrowej mammografii, integracją z PACS Istniejące systemy CAD ImageChecker firmy R2 Technology (zatwierdzony przez FDA w 1998) SecondLook firmy icad (FDA 2002) MammoReader firmy CADx (FDA 2002) Mammex MammoCAD firmy Scanis, Eastman Kodak, Ficher Imaging icad, Hologic, GE, VuCOMP,... połączone w 2003
13 R2 ImageChecker Czułość detekcji mikrozwapnienia 98.3 % Czułość guzy 85.7 % Czułość całkowita 90.4 % FP / normalny przypadek (złożony z 4 obrazów) 2.0 (0.5 FP/obraz) (Burhenne LJ, et al. Radiology 2000; 215: ; Castellino, et al. Radiology 2000; 217: 400) Zwiększa czułość radiologa o 23.4%.
14 icad SecondLook Czułość całościowa= 92% - 96% FP/normalny przypadek = (Dane z października 2003) Zwiększa czułość radiologa o 21.2% (Brem RF, et al. Improvement in sensitivity of screening mammography with computer-aided detection: A multiinstitutional trial. AJR Am J Roentgenol, 181, , Sept. (c) Anna 2003) Wróblewska
15 Czułość komercyjnych systemów w detekcji złośliwych zaburzeń architektury CZUŁOŚĆ Przypadek (n=27) Obraz (n=51) R2 ImageChecker 48 % 19 % 31 % 10 % FP / obraz (Baker et al., AJR 2003; 181, ) icad SecondLook
16 Systemy CAD w praktyce klinicznej W USA działa ok stacji wspomagania detekcji 2003 USA - ok mammogramów skriningowych było diagnozowanych przy pomocy komputerowego systemu detekcji Obecnie 25-30% badań skriningowych jest wykonywana z CAD Pierwsze systemy CAD MRI (3TP ImagingScienses, CADimas, Confirma) oraz CAD USG (Cedara B-CAD) w tym roku
17 CAD wyzwania Więcej studiów klinicznych (różne populacje pacjentek i radiologów) Detekcja guzów zwiększenie czułości z zachowaniem stosunku FP/obraz Detekcja zaburzeń architektury Komputerowa detekcja klastrów mikrozwapnień jako podstawowy wskaźnik diagnostyczny Komputerowa detekcja przypadków normalnych (bez potrzeby weryfikacji przez radiologa) prescreener Detekcja w obrazach innych modalności, np. sonografia, MRI (analiza łączona)
18 Metody detekcji mikrozwapnień rozwiązanie własne (MammoViewer) Cyfrowy obraz mammograficzny Wstępne przetwarzanie Wstępne przetwarzanie digitalizacja obrazu Enhancement Segmentacja Detekcja Ekstrakcja cech Detekcja klastrów Selekcja cech Klasyfikacja Klasyfikacja
19 Metody uwydatnienia mikrozwapnień (MammoViewer) Eliminacja tła poprzez odejmowanie obrazu wygładzonego od oryginalnego Modelowanie zdrowej tkanki poprzez techniki fraktalne Falkowe metody usuwania szumu Usuwanie niskoczęstotliwościowych informacji Progowanie podpasm zawierającech wysokoczęstotliwościowe współczynniki falkowe (HH,HL,LH); następnie rekonstrukcja obrazu Morfologia white top-hat, który uwypukla szczegóły obrazu Wzmacnianie oparte na sąsiedztwie - zasięg i kształt regionu dostosowuje się do lokalnej zmienności funkcji jasności
20 Segmentacja mikrozwapnień (MammoViewer) Lokalizacja Macierz SRD ( Surrounding region-dependance ) dla danego obszaru Filtry LoG Obliczanie wymiaru fraktalnego dla podobrazów (określającego chropowatość obszaru) Segmentacja Lokalne progowanie (parametry: rozmiar okna, próg) Region growing grupowanie pikseli o właściwościach podobnych do startowego seed (parametry: rozmiar okna, moduł różnicy jasności pomiędzy przetwarzanym pikselem a startowym)
21 Ekstrakcja cech (MammoViewer) Cechy pojedynczych mikrozwapnień Powierzchnia, zwartość, momenty kształtu, wyrazistość krawędzi, średni poziom jasności, lokalny kontrast, momenty geometryczne Statystyczne cechy tekstury Macierz powinowactwa (zdarzeń); Gray-level run-length ; Surrounding region dependence ; Gray-level difference Wielorozdzielcze cechy tekstury Cechy falkowe, filtry Gabora Cechy klastrów mikrozwapnień Grupowanie w klastry na podstawie rozłożenia przestrzennego, morfologii; Powierzchnia, liczba mikrozwapnień, średni poziom jasności
22 Przeglądarka mammogramów Obrazy w skali szarości Standardowe formaty z 1-, 4-, 8- bitową głębią koloru (png, jpeg, bmp, tif, pgm) Operacje z pełną dokładnością na 2- bajtowych obrazach Podgląd Okno zakres widzianych bitów
23 Przeglądarka mammogramów (MammoViewer) Filtracja przestrzenna Operatory morfologiczne Transformata falkowa Modelowanie histogramu rozkładu jasności Dodawanie własnego komentarza Linijka wymiarowanie struktur MS Visual Studio.NET 2003; C++ ~awroble/
24 Przykład: detekcja kandydatów i klasteryzacja Malejący próg
25 Rekonstrukcja kształtu (MammoViewer) Operacja morfologiczna white top-hat Próg zależny od średniej i odchylenia standardowego estymowanych bezpośrednio z sąsiedztwa kandydata centrum mikrozwapnienia Progowanie obrazu Grupowanie pikseli po segmentacji w pojedyncze obiekty Usunięcie obiektów nie wykrytych przez wielorozdzielczy detektor plamek oraz ze zdegradowanym kształtem
26 Testy (ad hoc) Baza DDSM zbiór 72 zdiagnozowanych obrazów o rozdzielczości 43.5 mikronów/piksel z 12-bitową głębią koloru Współpraca 2 radiologów w zakresie doboru parametrów rekonstrukcji kształtu
27 Wyniki wydajność detekcji Fałszywe wskazanie Czułość: blisko 80% Średnia liczba fałszywych wskazań na obraz to 3.5 Patologie dobrze wskazane
28 Wyniki detekcji SE = TP / (TP+FN), PVP = TP / (TP+FP), gdzie TP ( true positives ) patologia dobrze rozpoznana, FN ( false negatives ) patologia nierozpoznana, FP ( false positives ) fałszywe wskazanie. Subtelność - trudność rozpoznawania Test automatyczny Czułość[%] PVP[%] Test subiektywny Czułość[%] PVP[%]
29 Dyskusja - problemy Minimalizacja FP (przy zachowaniu wysokiej czułości) Łączenie klastrów Łagodne zmiany nie zostały zaznaczone w bazie Klasteryzacja na podstawie wzajemnego położenia oraz cech mikrozwapnień Znalezienie standardowej procedury oceny FP
30 Zadania Modelowanie zmian patologicznych (analiza wielorozdzielcza, bazy skończonych wzorców 2W) Integracja w MammoViewer: normalizacja reprezentacji mammogramów (indeksacja, kompresja) + poprawa percepcji + + automatyczna diagnoza Implementacja w systemach klinicznych (Szpital Wolski, Onkologia), eksperymenty Współpraca MammoViewer z cyfrowym mammografem (Onkologia) oraz systemem telediagnostycznym i bazami referencyjnymi
31 Konkluzje CAD zmienia sposób diagnozowania w mamografii Połączenie CAD z mammografią cyfrową i PACS w sieci szpitali bez murów, bez granic (mammogrid) tworzy nową jakość w mammografii A few years after its market debut, CAD is still flexing its muscles and finding new ways to demonstrate its value. Breast CAD technology can not only improve detection and clinical care, but now, with the integration of digital mammography and PACS and the ability to perform MRI CAD, its value becomes even more clear. Today, CAD is a comprehensive and value-oriented solution for breast imaging facilities seeking to lead the pack. Breast CAD Comes of Age, Lisa Fratt, RSNA grudzień 2004
32 Dyskusja Zauważalna poprawa widoczności guzków (szczególnie spikuli) i mikrozwapnień: Radiolog potwierdził skuteczność wybranych metod wstępnego przetwarzania Problemy lokalizacji potencjalnych mikrozwapnień: minimalizacja FP dobór progu w fazie lokalizacji zależny od gęstości i kompozycji tkanki oraz własności innych wykrytych obiektów w sąsiedztwie analizowanego kandydata. Wysoka skuteczność: zaproponowana metoda z DBSCAN osiągnęła lepsze wyniki niż metoda ze standardową klasteryzacją (30% mniej FP i bardziej dokładne kształty klastrów)
33 Plany Testy metody detekcji z zastosowaniem przetwarzania wstępnego Opracowanie metody detekcji guzów Klasyfikacja całych skupisk mikrozwapnień Współpraca MammoViewer z systemem telediagnostycznym i bazami referencyjnymi
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 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 szczegółowoMetody wspomagania detekcji zmian patologicznych w mammografii
Metody wspomagania detekcji zmian patologicznych w mammografii Doktorat: Anna Wróblewska Promotor: Artur Przelaskowski Zakład Elektroniki Jądrowej i Medycznej Instytut Radioelektroniki Politechnika Warszawska
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 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 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 szczegółowoOcena dokładności diagnozy
Ocena dokładności diagnozy Diagnoza medyczna, w wielu przypadkach może być interpretowana jako działanie polegające na podjęciu jednej z dwóch decyzji odnośnie stanu zdrowotnego pacjenta: 0 pacjent zdrowy
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 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 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 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 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 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 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 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 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 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 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 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 szczegółowoPrzetwarzanie obrazu
Przetwarzanie obrazu Przekształcenia kontekstowe Liniowe Nieliniowe - filtry Przekształcenia kontekstowe dokonują transformacji poziomów jasności pikseli analizując za każdym razem nie tylko jasność danego
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 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 szczegółowoRozpoznawanie Twarzy i Systemy Biometryczne
Filtry Plan wykładu Przegląd dostępnych filtrów Zastosowanie filtrów na różnych etapach pracy systemu Dalsze badania Kontrast i ostrość Kontrast różnica w kolorze i świetle między częściami ś i obrazu
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 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 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 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 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 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 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 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 szczegółowoAUTOMATYKA INFORMATYKA
AUTOMATYKA INFORMATYKA Technologie Informacyjne Sieć Semantyczna Przetwarzanie Języka Naturalnego Internet Edytor Serii: Zdzisław Kowalczuk Inteligentne wydobywanie informacji z internetowych serwisów
Bardziej szczegółowoMicha Strzelecki Metody przetwarzania i analizy obrazów biomedycznych (2)
Micha Strzelecki Metody przetwarzania i analizy obrazów biomedycznych (2) Prezentacja multimedialna współfinansowana przez Unię Europejską w ramach Europejskiego Funduszu Społecznego w projekcie Innowacyjna
Bardziej szczegółowoSPOTKANIE 2: Wprowadzenie cz. I
Wrocław University of Technology SPOTKANIE 2: Wprowadzenie cz. I Piotr Klukowski Studenckie Koło Naukowe Estymator piotr.klukowski@pwr.edu.pl 17.10.2016 UCZENIE MASZYNOWE 2/27 UCZENIE MASZYNOWE = Konstruowanie
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 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 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 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 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 szczegółowoZestaw pytań nr 5. 1) Ze względu na sposób licencjonowania prosimy o podanie szacowanej liczby wykonywanych badań przesyłanych PACS.
Dotyczy postępowania: Dostawa, instalacja, konfiguracja, zaprojektowanie i wykonanie okablowania strukturalnego oraz wdrożenie wraz z instruktażem, serwisem i nadzorem autorskim, Zintegrowanego Systemu
Bardziej szczegółowoSztuczna Inteligencja w medycynie projekt (instrukcja) Bożena Kostek
Sztuczna Inteligencja w medycynie projekt (instrukcja) Bożena Kostek Cel projektu Celem projektu jest przygotowanie systemu wnioskowania, wykorzystującego wybrane algorytmy sztucznej inteligencji; Nabycie
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 szczegółowoWspółczesna mammografia
Analogowa intuicja, cyfrowa rzeczywistość Współczesna mammografia Mammografia jest radiologiczną metodą badania gruczołu piersiowego. Jak w każdej innej metodzie rentgenowskiej, do uzyskania obrazu diagnostycznego
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 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 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 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 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 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 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 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 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 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 szczegółowoCyfrowe Przetwarzanie Obrazów. Karol Czapnik
Cyfrowe Przetwarzanie Obrazów Karol Czapnik Podstawowe zastosowania (1) automatyka laboratoria badawcze medycyna kryminalistyka metrologia geodezja i kartografia 2/21 Podstawowe zastosowania (2) komunikacja
Bardziej szczegółowoĆwiczenia z grafiki komputerowej 5 FILTRY. Miłosz Michalski. Institute of Physics Nicolaus Copernicus University. Październik 2015
Ćwiczenia z grafiki komputerowej 5 FILTRY Miłosz Michalski Institute of Physics Nicolaus Copernicus University Październik 2015 1 / 12 Wykorzystanie warstw Opis zadania Obrazy do ćwiczeń Zadanie ilustruje
Bardziej szczegółowoSEGMENTACJA OBRAZU Wprowadzenie
Oprogramowanie Systemów Obrazowania SEGMENTACJA OBRAZU Wprowadzenie Segmentacja obszarów to operacja wydzielenia z obrazu obszarów w oparciu o zdefiniowane kryterium. Głównym uzasadnieniem celowości takiego
Bardziej szczegółowoProtokół z kontroli jakości badań mammograficznych wykonywanych w ramach Populacyjnego programu wczesnego wykrywania raka piersi
Protokół z kontroli jakości badań mammograficznych wykonywanych w ramach Populacyjnego programu wczesnego wykrywania raka piersi Użytkownik Mammograf/ Nazwa producenta/ Nazwa modelu lub typu/ Rok rozpoczęcia
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 szczegółowoBiała księga Oprogramowanie CARESTREAM Tube & Line Visualization, oprogramowanie CARESTREAM Pneumothorax Visualization
, oprogramowanie CARESTREAM Pneumothorax Obróbka w widoku towarzyszym firmy Carestream dla ulepszonej wizualizacji cewników przewodów i odmy opłucnowej w przypadku cyfrowej, przenośnej radiografii klatki
Bardziej szczegółowoRekonstrukcja obrazu (Image restoration)
Rekonstrukcja obrazu (Image restoration) Celem rekonstrukcji obrazu cyfrowego jest odtworzenie obrazu oryginalnego na podstawie obrazu zdegradowanego. Obejmuje ona identyfikację procesu degradacji i próbę
Bardziej szczegółowoPOPULACYJNY PROGRAM WCZESNEGO WYKRYWANIA RAKA PIERSI OCENA KLINICZNA MAMMOGRAMÓW PODSUMOWANIE AUDYTU
POPULACYJNY PROGRAM WCZESNEGO WYKRYWANIA RAKA PIERSI OCENA KLINICZNA MAMMOGRAMÓW PODSUMOWANIE AUDYTU Opracowanie: Ewa Wesołowska Mammografia rentgenowska jest podstawową metodą badania piersi, ale musi
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 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 szczegółowoSYLABUS DOTYCZY CYKLU KSZTAŁCENIA Realizowany w roku akademickim 2016/2017
Załącznik nr 4 do Uchwały Senatu nr 430/01/2015 SYLABUS DOTYCZY CYKLU KSZTAŁCENIA 2015-2017 Realizowany w roku akademickim 2016/2017 1.1. PODSTAWOWE INFORMACJE O PRZEDMIOCIE/MODULE Nazwa przedmiotu/ modułu
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 szczegółowoAlgorytm do rozpoznawania człowieka na podstawie dynamiki użycia klawiatury. Paweł Kobojek, prof. dr hab. inż. Khalid Saeed
Algorytm do rozpoznawania człowieka na podstawie dynamiki użycia klawiatury Paweł Kobojek, prof. dr hab. inż. Khalid Saeed Zakres pracy Przegląd stanu wiedzy w dziedzinie biometrii, ze szczególnym naciskiem
Bardziej szczegółowoZałącznik nr 1 WYMAGANIA DOTYCZĄCE OPISU I PRZEGLĄDU OBRAZÓW REJESTROWANYCH W POSTACI CYFROWEJ I. Wymagania ogólne
Załączniki do rozporządzenia Ministra Zdrowia z dnia 18 lutego 2011 r. Załącznik nr 1 WYMAGANIA DOTYCZĄCE OPISU I PRZEGLĄDU OBRAZÓW REJESTROWANYCH W POSTACI CYFROWEJ I. Wymagania ogólne 1. W radiologii
Bardziej szczegółowoOperator rozciągania. Obliczyć obraz q i jego histogram dla p 1 =4, p 2 =8; Operator redukcji poziomów szarości
Operator rozciągania q = 15 ( p p1 ) ( p p ) 0 2 1 dla p < p p 1 2 dla p p, p > p 1 2 Obliczyć obraz q i jego histogram dla p 1 =4, p 2 =8; Operator redukcji poziomów szarości q = 0 dla p p1 q2 dla p1
Bardziej szczegółoworozpoznawania odcisków palców
w algorytmie rozpoznawania odcisków palców Politechnika Łódzka Wydział Fizyki Technicznej, Informatyki i Matematyki Stosowanej 24 października 2008 Plan prezentacji 1 Wstęp 2 3 Metoda badań Wyniki badań
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 szczegółowoS YL AB US MODUŁ U ( PRZEDMIOTU) I nforma cje ogólne. Wydział Lekarsko-Dentystyczny (WL-D) rok 2, semestr III
S YL AB US MODUŁ U ( PRZEDMIOTU) I nforma cje ogólne Nazwa modułu Rodzaj modułu/przedmiotu Wydział PUM Kierunek studiów Specjalność Poziom studiów Forma studiów Rok, semestr studiów np. rok 1, semestr
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 szczegółowoAnaliza danych z nowej aparatury detekcyjnej "Pi of the Sky"
Uniwersytet Warszawski Wydział Fizyki Bartłomiej Włodarczyk Nr albumu: 306849 Analiza danych z nowej aparatury detekcyjnej "Pi of the Sky" Praca przygotowana w ramach Pracowni Fizycznej II-go stopnia pod
Bardziej szczegółowoNOWY DESIGN i nowoczesne technologie
NOWY DESIGN i nowoczesne technologie NIESPOTYKANY WCZEŚNIEJ POZIOM ERGONOMII Badania Tomosyntezy i 2D przy dostępie 360 W pozycji wyprostowanej lub w przechyleniu. W pozycji przechylonej można skorzystać
Bardziej szczegółowoGimp Grafika rastrowa (konwersatorium)
GIMP Grafika rastrowa Zjazd 1 Prowadzący: mgr Agnieszka Paradzińska 17 listopad 2013 Gimp Grafika rastrowa (konwersatorium) Przed przystąpieniem do omawiania cyfrowego przetwarzania obrazów niezbędne jest
Bardziej szczegółowoWartość netto (zł) (kolumna 3x5)
Postępowanie WB.2420.9.2012.NG ZAŁĄCZNIK NR 6 Zadanie nr 2 L.p. Nazwa asortymentu parametry techniczne Ilość Nazwa wyrobu, nazwa producenta, określenie marki, modelu, znaku towarowego Cena jednostkowa
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 szczegółowoOcena jakości obrazów medycznych
Ocena jakości obrazów medycznych Laboratorium I. Cel ćwiczenia Zasadniczym celem ćwiczenia jest wykorzystanie róŝnych metod obliczeniowych oraz testów subiektywnych do oceny jakości obrazów medycznych
Bardziej szczegółowoFOTOGRAMETRIA I TELEDETEKCJA
FOTOGRAMETRIA I TELEDETEKCJA 2014-2015 program podstawowy dr inż. Paweł Strzeliński Katedra Urządzania Lasu Wydział Leśny UP w Poznaniu Format Liczba kolorów Rozdzielczość Wielkość pliku *.tiff CMYK 300
Bardziej szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 10 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 szczegółowoAutomatyczne rozpoznawanie mowy - wybrane zagadnienia / Ryszard Makowski. Wrocław, Spis treści
Automatyczne rozpoznawanie mowy - wybrane zagadnienia / Ryszard Makowski. Wrocław, 2011 Spis treści Przedmowa 11 Rozdział 1. WPROWADZENIE 13 1.1. Czym jest automatyczne rozpoznawanie mowy 13 1.2. Poziomy
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 szczegółowoScreening raka piersi
OCENA SCREENINGU RAKA PIERSI W POLSCE Radosław Tarkowski Katedra Onkologii A.M. we Wrocławiu Polska: 14 482 zachorowania 5 255 zgonów (na podstawie danych Centrum Onkologii w Warszawie) 137,8 78 61.2 Zapadalność
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 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 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 szczegółowoPolitechnika Świętokrzyska. Laboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 8. Filtracja uśredniająca i statystyczna.
Politechnika Świętokrzyska Laboratorium Cyfrowe przetwarzanie sygnałów Ćwiczenie 8 Filtracja uśredniająca i statystyczna. Cel ćwiczenia Celem ćwiczenia jest zdobycie umiejętności tworzenia i wykorzystywania
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 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 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 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 szczegółowoAntyaliasing w 1 milisekundę. Krzysztof Kluczek
Antyaliasing w 1 milisekundę Krzysztof Kluczek Zasada działania Założenia: Metoda bazująca na Morphological Antialiasing (MLAA) wejście: obraz wyrenderowanej sceny wyjście: zantyaliasowany obraz Krótki
Bardziej szczegółowoElektrofizjologiczne podstawy lokalizacji ogniska padaczkowego. Piotr Walerjan PWSIM MEDISOFT
Elektrofizjologiczne podstawy lokalizacji ogniska padaczkowego Piotr Walerjan PWSIM MEDISOFT Elektrofizjologia w padaczce Dlaczego stosujemy metody elektrofizjologiczne w diagnostyce padaczki? Ognisko
Bardziej szczegółowo(pieczęć wydziału) KARTA PRZEDMIOTU. 2. Kod przedmiotu: PWBOB
(pieczęć wydziału) KARTA PRZEDMIOTU 1. Nazwa przedmiotu: PRZETWARZANIE WSTĘPNE BARWNYCH OBRAZÓW BIOMEDYCZNYCH 3. Karta przedmiotu ważna od roku akademickiego: 2017/2018 4. Forma kształcenia: studia trzeciego
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 szczegółowoLaboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 9. Przetwarzanie sygnałów wizyjnych. Politechnika Świętokrzyska.
Politechnika Świętokrzyska Laboratorium Cyfrowe przetwarzanie sygnałów Ćwiczenie 9 Przetwarzanie sygnałów wizyjnych. Cel ćwiczenia Celem ćwiczenia jest zapoznanie studentów z funkcjami pozwalającymi na
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 szczegółowoWpływ oprogramowania mammograficznej stacji diagnostycznej na komfort pracy technika. Przemysław Narodowiec
Wpływ oprogramowania mammograficznej stacji diagnostycznej na komfort pracy technika Przemysław Narodowiec p.2 Carestream Health Inc,: Firma powstała w 2007 roku w wyniku zakupu działu medycznego firmy
Bardziej szczegółowo