Metoda klasteryzacji i segmentacji mikrozwapnień w celu redukcji wskazań fałszywych przy komputerowym wspomaganiu mammografii
|
|
- Justyna Rutkowska
- 6 lat temu
- Przeglądów:
Transkrypt
1 Metoda klasteryzacji i segmentacji mikrozwapnień w celu redukcji wskazań fałszywych przy komputerowym wspomaganiu mammografii Anna Wróblewska, Artur Przelaskowski, Paweł Bargieł, Piotr Boniński Zakład Elektroniki Jądrowej i Medycznej, Instytut Radiolelektroniki, Politechnika Warszawska Ul. Nowowiejska 15/19; Warszawa awroble@ire.pw.edu.pl Streszczenie: Celem pracy była optymalizacja metody detekcji i analizy mikrozwapnień w mammografii. Zaproponowano metodę lokalizacji, klasteryzacji i segmentacji nadmiarowego zbioru obiektów zainteresowania - potencjalnych mikrozwapnień. * Summary: The goal of our research was designing and realization of a whole system for detection and analysis of microcalcification clusters in mammography. The presented method focuses on localization, clustering and segmentation of initially detected redundant set of bright objects (potential microcalcifications). The efficacy of the method was verified in experiments. 1. Wstęp Podstawową metodą w zakresie wczesnego wykrywania raka piersi u kobiet powyŝej 40 lat jest mammografia rentgenowska. Interpretacja zdjęcia radiologicznego jest jednak proces trudnym, często niejednoznacznym. Błędy w diagnostyce mogą dotyczyć przeoczenia zmiany widocznej (zwyrodnienia czasem są bardzo małe lub ukryte w zdrowej tkance) lub niewłaściwej oceny wykrytej patologii (m.in. rozróŝnienia pomiędzy zmianami złośliwymi i łagodnymi). Tak teŝ około 10-30% raków nie zostaje wykrytych podczas rutynowego skriningu, a 30 40% wskazań jest niewłaściwych. Konsultacje kilku lekarzy dotyczące tego samego przypadku zwiększają efektywność mammografii o około 15% [1], ale jednocześnie zmniejszają wydajność ich pracy. Skuteczną pomocą jest często wykorzystanie metod komputerowego wspomagania diagnozy ( computer-aided diagnosis CAD), czyli włączenie technologii komputerowej w proces interpretacji badań mammograficznych. Celem jest zwiększenie dokładności diagnostycznej poprzez poprawę warunków detekcji i właściwej oceny zwyrodnień przez radiologa. CAD pozwala w większym stopniu zobiektywizować interpretację zdjęć mammograficznych (zmniejszyć róŝnice w diagnozach wydawanych przez róŝnych radiologów lub teŝ przez jednego, ale w róŝnym czasie) oraz zmniejszyć nakłady pracy lekarzy. Ostateczną decyzję podejmuje zawsze lekarz, a wskazania CAD mają jedynie charakter sugestii. Zakres wspomagania obejmuje poprawę jakości diagnostycznej obrazów, warunków prezentacji informacji diagnostycznej słuŝących lepszej percepcji zmian (zwiększenie lokalnego kontrastu, wykrycie krawędzi, podkreślenie cechy wybranych zmian patologicznych, usunięcie szumów) oraz detekcji (metody modelowania i rozpoznawania wzorców) i klasyfikacji (oszacowania złośliwości) podejrzanych zmian w tkance. * Praca naukowa finansowana ze środków budŝetowych na naukę w latach jako projekt badawczy 3T11E
2 Istotną rolę w ocenie zmian patologicznych w mammografii odgrywa detekcja mikrozwapnień. Na zdjęciach rentgenowskich mikrozwapnienia wyglądają jak drobne jasne plamki o średnicach od 0.05 do 3 mm (średnio 0.3 mm) i są jednym z waŝniejszych objawów umoŝliwiającym wczesne wykrycie raka sutka. W 30-50% wcześnie wykrytych w mammografii raków widoczne są klastry mikrozwapnień, a w 60-80% raków piersi schorzenie ujawnia się jako mikrozwapnienia podczas badania histologicznego [2]. Złośliwe mikrozwapnienia zwykle występują w skupiskach (klastrach). Mają niejednorodny kształt, teksturę, rozmiary oraz rozłoŝenie w skupiskach. Łagodne są większe, o jednolitej teksturze i kształcie [3]. Do najbardziej efektywnych systemów CAD stosowanych w mammografii do detekcji i analizy mikrozwapnień naleŝy zaliczyć ImageChecker firmy R2 Technology [4] oraz SecondLook firmy icad [5]. Czułość tych systemów w zakresie detekcji mikrozwapnień osiąga poziom 98%, a liczba fałszywych wskazań na obraz waha się od 0.5 do 1. Celem szczegółowym opracowanego narzędzia wspomagania detekcji jest wskazanie regionów zawierających klastry mikrozwapnień. Wykorzystano elementy analizy wielorozdzielczej obrazów, metody grupowania i morfologii matematycznej zwracając szczególną uwagę na jakość wykrywanych klasterów. Prezentowana metoda została zweryfikowana w testach klinicznych korzystając ze zdiagnozowanych baz danych (DDSM dostępnej w Internecie [6] oraz zestawu zdjęć mammograficznych zawierających interesujące przypadki zmian wybranych przez radiologów z Zakładu Diagnostyki Obrazowej Szpitala Wolskiego i Centrum Onkologii w Warszawie). 2. Klasteryzacja i segmentacja mikrozwapnień w MammoViewer 2.1. Schemat przetwarzania informacji Ogólny schemat metody detekcji potencjalnych mikrozwapnień znajduje się na rysunku 1. Danymi wejściowymi jest obraz mammograficzny z odpowiednio dobranymi parametrami akwizycji (wysoka rozdzielczość obrazu itp.). W celu oszczędności czasu przetwarzania, dokonuje się segmentacji granicy tkanki piersiowej odrzucając zaszumione tło obrazu (wykorzystano algorytm z bazy DDSM [6]). Wstępne przetwarzanie moŝe słuŝyć do: usunięcia lub redukcji szumu i artefaktów (małe o powierzchni kilku pikseli - obiekty, np. rysa, pyłek, który osiadł na zdjęciu rentgenowskim podczas skanowania itp.), usunięcia informacji diagnostycznie nieistotnej (struktur zdrowej tkanki), uwypuklenia cech istotnych dla diagnozy (charakterystycznych dla mikrozwapnień), wzmocnienia lokalnego kontrastu, selekcji regionu zainteresowania (ROI), w którym występowanie raka jest bardziej prawdopodobne. Następnie lokalizowane są jasne plamki (w przybliŝeniu okrągłe) - potencjalne mikrozwapnienia. Detekcja klastrów to odrzucenie odizolowanych wskazań oraz grupowanie pojedynczych obiektów w większe skupiska wg ustalonej definicji grupy, np. 3 lub 5 obiektów na obszarze o wymiarach 1x1 cm 2. Segmentacja mikrozwapnień to odseparowanie ich z tła (zdrowej tkanki). Wynikiem jest rekonstrukcja kształtu pojedynczych obiektów potencjalnych mikrozwapnień oraz całych klastrów. Kolejną przewidywaną fazą jest ekstrakcja róŝnorodnych cech charakteryzujących pojedyncze mikrozwapnienia oraz ich skupiska. Potencjalne mikrozwapnienia mogą być klasyfikowane na trzy grupy: łagodne, złośliwe i normalne (fałszywie pozytywne). Klasyfikacja moŝe takŝe słuŝyć jako ostateczna weryfikacja detekcji, np. podział na dwie grupy: prawdziwie pozytywne i fałszywie pozytywne [2]. 2
3 Cyfrowy obraz mammograficzny Segmentacja granicy piersi Wstępne przetwarzanie Lokalizacja Klasteryzacja Segmentacja W MammoViewer analizujemy i testujemy algorytmy dotyczące poszczególnych faz detekcji i klasyfikacji mikrozwapnień (rys. 1.), sposoby połączenia rezultatów poszczególnych bloków funkcjonalnych oraz szukamy metod uproszczenia i przyspieszenia ogólnego schematu Metoda detekcji mikrozwapnień Wynik wspomagania Rys.1. Schemat metody detekcji potencjalnych mikrozwapnień. Zaproponowana technika jest kombinacją a) falkowych metod poprawy percepcji mikrozwapnień, b) filtracji przy uŝyciu filtrów LoG w róŝnych skalach w celu lokalizacji jasnych plamek potencjalnych mikrozwapnień, c) algorytmu grupowania sygnałów DBSCAN (Density Based Spatial Clustering of Applications with Noise) oraz d) metod morfologicznych i rozrostu regionu do rekonstrukcji kształtów. Naszym załoŝeniem była wstępna detekcja nadmiarowego zbioru kandydatów, redukowanego w znacznym stopniu w procesie klasteryzacji i rekonstrukcji kształtu. Zaproponowana metoda oparta jest na następujących etapach: 1) Wstępne przetwarzanie - techniki falkowe: a) wygładzanie obrazu: podpasma niskoczęstotliwościowe transformaty bez decymacji; w celu usunięcia wysokoczęstotliwościowych informacji drobnych artefaktów, załamań krawędzi, granulacji tekstury b) uwypuklanie mikrozwapnień: adaptacyjne progowanie współczynników transformaty heksagonalnej na wielu poziomach dekompozycji [7]; 2) Lokalizacja pojedynczych obiektów jasnych plamek (większych artefaktów, przecięć włókien oraz mikrozwapnień): skalowalne filtry LoG ( Laplacian-of- Gaussian ) (podobnie jak w [8]). 3) Grupowanie w klastry oparte na przestrzennym rozmieszczeniu i gęstości obiektów (DBSCAN) [9]; 4) Segmentacja mikrozwapnień w klastrach przy uŝyciu operatorów morfologicznych z adaptacyjnym progowaniem lokalnym; 5) Wygładzanie kształtów mikrozwapnień technikami rozrostu regionów; 6) Opis kształtu klastrów otoczki wypukłej zlokalizowanych grup. 3
4 2.3. Klasteryzacja oparta na algorytmie DBSCAN. Proste (standardowe) algorytmy klasteryzacji polegaja na przesuwaniu po obrazie okno o wymiarach 1x1 cm w poszukiwaniu 3 lub 5 obiektów znajdujących się wewnątrz okna [10]. W algorytmie DBSCAN (Density Based Spatial Clustering of Applications with Noise) definicja klastra zostaje nieco zmieniona. Tutaj są to grupy obiektów połączonych z zadaną gęstością. Do definicji potrzebna są dwa parametry: - Eps promień sąsiedztwa punktu określonego wg przyjętej metryki (tutaj euklidesowa), - MinPts minimalna liczba punktów w klastrze oraz w sąsiedztwie punktów leŝących wewnątrz klastra (Sąsiedztwo punktów brzegowych klastra moŝe być mniej liczne.) W implementacji przyjęto Eps=0.5 cm i MinPts=3 z moŝliwością zmiany w celu poszukiwania bardziej gęstych klastrów. Definicja klastra oparta jest na obiektach wzajemnie osiągalnych lub połączonych z pewną zadaną gęstością (o parametrach Eps i MinPts). Punkt bezpośrednio osiągalny z zadaną gęstością z innego punktu to taki, który znajduje się w Eps-sąsiedztwie tego punktu, w którym w sumie znajduje się co najmniej MinPts takich punktów. Punkt osiągalny z zadaną gęstością z innego punktu, to punkt, dla którego istnieje ścieŝka punktów bezpośrednio osiągalnych z punktu startowego do końcowego. KaŜde dwa obiekty naleŝące do klastra są połączone wzajemnie z zadaną gęstością (łączność) oraz wszystkie punkty osiągalne (z zadaną gęstością) z punktów leŝących wewnątrz klastra takŝe naleŝą do klastra (maksymalność). Dla punktu naleŝącego do klastra najpierw rozwijany jest cały klaster. Później algorytm przechodzi do analizy kolejnych punktów nie naleŝących do Ŝadnego klastra. Dokładny opis algorytmu moŝna znaleźć w [9]. Rys.2. Standardowe algorytmy zaliczają do jednego klastra wszystkie czarne obiekty. DBSCAN wykrywa jako klaster zgrupowanie równomiernie rozrzuconych obiektów, nie dołączając artefaktów. Algorytm DBSCAN okazał się szybszy i bardziej efektywny niŝ standardowa klasteryzacja. Jego złoŝoność obliczeniowa to ok. k * złoŝoność znalezienia Eps-sąsiedztwa dla analizowanego punktu (w najgorszym przypadku jest to O(k)), gdzie k jest liczbą kandydatów obiektów do grupowania. Jest to znacznie lepsza złoŝoność niŝ innych algorytmów 2 O ( n m), gdzie n i m to wymiary obrazu. Zwykle k << n m, poniewaŝ nawet przy niskim progu detekcji rząd wielkości k osiąga około 500, a wielkość macierzy obrazu to około 6000 x 4
5 4000 pikseli. W standardowych algorytmach czasem kwant przesunięcia okna jest większy ok. 0.5 cm (złoŝoność jest niŝsza niŝ O ( n m) ). Jednak wtedy wyniki są mniej dokładne nie są rozpatrywane wszystkie konfiguracje punktów i niektóre klastry mogą zostać pominięte, w przeciwieństwie do DBSCAN. Inną zaletą algorytmu DBSCAN jest znajdowanie klastrów posiadających mniej więcej równomierne rozłoŝenie obiektów. Algorytm ten jest mniej czuły na łączenie klastrów (tzn. nieprawidłowej redukcji fałszywych wskazań głównego problemu standardowej klasteryzacji). Artefakty nieco oddalone od centrum klastra nie są dołączane do klastra. W ten sposób kształty klastrów są dokładniejsze i bardziej odpowienie do dalszej analizy cech kształtu i tesktury wykrytych grup przydatnej w dalszej weryfikacji detekcji (rys. 2.). 3. Wyniki Testy zostały przeprowadzone na 20 obrazach mammograficznych (ucyfrowionych z rozdzielczością 43,5 oraz 45,5 mikronów z 12-bitową głębią koloru). W zbiorze testowym było duŝo ostrych i bardzo jasnych artefaktów. Te, które zostały wykryte podczas detekcji, zostały policzone jako fałszywie pozytywne klastry. Podczas testów wybrano regiony zainteresowania zawierające rozległe obszary tkanki piersiowej budzące szczególne podejrzenie raka. Próg na etapie lokalizacji pojedynczych obiektów był modyfikowany ręcznie (ustalenie największej wartości, która jest korzystna ze względu na relację wskazań prawdziwych do fałszywych). Czułość detekcji wyniosła około 83% ze średnią liczbą 2 fałszywie pozytywnych klastrów na obraz. Detekcja nie wykrywa szczególnie delikatnych mikrozwapnień znajdujących się na tle mocno zarysowanych struktur, np. bardzo wyraźnych włókien. WaŜnym ulepszeniem algorytmu jest opracowanie automatycznej metody regulacji wartości progu w fazie lokalizacji, zaleŝnej od średniego poziomu jasności (gęstości tkanki) i struktury tekstury (kompozycji tkanki) w sąsiedztwie lokalizowanego obiektu. Przykładowe wyniki detekcji i rekonstrukcji kształtów pokazane są na rysunkach 3 i 4. (a) 4. Konkluzje (b) Rys.3. Wykryty klaster: (a) Oryginalny region wskazany przez radiologa (biały kontur). (b) Uwydatnione mikrozwapnienia. (c) Kształty wykrytych mikrozwapnień (czarne kontury). (d) Kształt klastra. (c) Zaproponowana metoda łączy kilka technik przetwarzania obrazów w celu uzyskania maksymalnej wydajności wysokiej czułości detekcji oraz wstępnej minimalizacji najbardziej oczywistych wskazań fałszywych. Opisany algorytm przesuwa akcent z etapu dokładnej detekcji pojedynczych mikrozwapnień (jest to powszechnie stosowane rozwiązanie), ku analizie całych skupisk. Naszym załoŝeniem była wstępna detekcja nadmiarowego zbioru kandydatów, redukowanego w znacznym stopniu w procesie klasteryzacji. W kolejnym kroku niektóre obiekty ze zdegradowanym kształtem zostają odrzucone przez segmentację. Ponadto segmentacja oraz wygładzanie kształtu słuŝy do jak (d) 5
6 najwierniejszego opisu obiektów w celu poprawy skuteczności kolejnych etapów algorytmu - redukcji fałszywych wskazań poprzez analizę statystyczną tekstury i cech kształtu pojedynczych obiektów i całych klastrów nad którymi obecnie pracujemy. (a) (b) (c) Rys. 4. Wskazanie fałszywie pozytywne: (a) Oryginalny region artefakty znajdujące się w pobliŝu wyraźnego włókna. (b) Wzmocniony obraz. (c) Kształty wykrytych obiektów (czarne kontury). (d) Kształt fałszywie pozytywnego klastra (wzdłuŝ włókna). (d) Rezultaty uzyskane dla badań mammograficznych z róŝnych baz i ośrodków są zbliŝone, co sugeruje uniwersalność opracowanej metody. Na dalszym etapie weryfikacji przewidujemy implementację narzędzia MammoViewer w systemach klinicznych (w ramach zawiązanej współpracy ze Szpitalem Wolskim i Centrum Onkologii) oraz eksperymenty przy współudziale radiologów. Bibliografia [1] Y. Jiang: Classification of Breast Lesions from Mammograms. W: Handbook of Medical Imaging, Academic Press, , 2000 [2] H.D. Cheng, X. Cai, X. Chen, L. Hu, X. Lou: Computer-aided detection and classification of microcalcifications in mammograms: a survey, Pattern Recognition 36: , 2003 [3] Mammografia w diagnostyce raka sutka. Red. J. Dziukowa, Warszawa, Bel Corp, 1998 [4] [5] [6] [7] P. Bargieł, A. Przelaskowski, A. Wróblewska: Wavelet methods in improving the detection of lesions in memmograms. International Conference on Computer Vision and Graphics, Poland, Warszawa, 2004 [8] T. Netsch, H.O. Peitgen: Scale-space signatures for the detection of clustered microcalcifications in digital mammograms, IEEE Trans. Medical Imag. 18(9), , 1999 [9] M. Ester, H.P. Kriegel, J. Sander, X. Xu: A density-based algorithm for discovering clusters in large spatial databases with noise, Proc. 2 nd International Conference on Knowledge Discovery and Data Mining, 1996 [10] M.J. Lado, P.G. Tahoces, A.J. Mendez, M. Souto, J.J. Vidal: A wavelet-based algorithm for detecting clustered microcalcifications in digital mammograms, Med. Phys. 26, ,
Metody 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 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 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 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 szczegółowoPoprawa percepcji guzków spikularnych w obrazach mammograficznych*
Poprawa percepcji guzków spikularnych w obrazach mammograficznych* Paweł Bargieł, Artur Przelaskowski, Anna Wróblewska, Piotr Boniński Politechnika Warszawska Wydz. Elektroniki i Technik Informacyjnych
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 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 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 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 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 szczegółowoPROGRAM NAUCZANIA PRZEDMIOTU FAKULTATYWNEGO NA WYDZIALE LEKARSKIM I ROK AKADEMICKI 2014/2015 PRZEWODNIK DYDAKTYCZNY
PROGRAM NAUCZANIA PRZEDMIOTU FAKULTATYWNEGO NA WYDZIALE LEKARSKIM I ROK AKADEMICKI 2014/2015 PRZEWODNIK DYDAKTYCZNY 1. NAZWA PRZEDMIOTU : ANALIZA I PRZETWARZANIE OBRAZÓW MEDYCZNYCH 2. NAZWA JEDNOSTKI (jednostek
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 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 szczegółowoAnna Fabijańska. Algorytmy segmentacji w systemach analizy ilościowej obrazów
POLITECHNIKA ŁÓDZKA Wydział Elektrotechniki Elektroniki Informatyki i Automatyki Katedra Informatyki Stosowanej Anna Fabijańska Nr albumu: 109647 Streszczenie pracy magisterskiej nt.: Algorytmy segmentacji
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 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 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 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 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 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 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 szczegółowoDetekcja punktów zainteresowania
Informatyka, S2 sem. Letni, 2013/2014, wykład#8 Detekcja punktów zainteresowania dr inż. Paweł Forczmański Katedra Systemów Multimedialnych, Wydział Informatyki ZUT 1 / 61 Proces przetwarzania obrazów
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 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 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 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 szczegółowoDiagnostyka węzłów chłonnych (Lymph nodes assessment) Joanna Anioł
Diagnostyka węzłów chłonnych (Lymph nodes assessment) Joanna Anioł Joanna Anioł Wykształcenie: wyższe Studia na Wydziale Lekarskim Collegium Medium UJ w Krakowie 1989 1995 Kształcenie podyplomowe: Specjalizacja
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 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 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 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 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 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 szczegółowoGrafika komputerowa. Zajęcia IX
Grafika komputerowa Zajęcia IX Ćwiczenie 1 Usuwanie efektu czerwonych oczu Celem ćwiczenia jest usunięcie efektu czerwonych oczu u osób występujących na zdjęciu tak, aby plik wynikowy wyglądał jak wzor_1.jpg
Bardziej szczegółowoRAKOOPORNI. Program profilaktyki raka piersi. Bezpłatne badania mammograficzne
RAKOOPORNI Program profilaktyki raka piersi Bezpłatne badania mammograficzne Jesteś w wieku od 40 do 49 lat lub po 70 roku życia? W ciągu ostatniego roku nie miałaś wykonanej mammografii? Skorzystaj z
Bardziej szczegółowoAkademia Górniczo - Hutnicza im. Stanisława Staszica w Krakowie. Projekt. z przedmiotu Analiza i Przetwarzanie Obrazów
30 czerwca 2015 Akademia Górniczo - Hutnicza im. Stanisława Staszica w Krakowie Projekt z przedmiotu Analiza i Przetwarzanie Obrazów Wykrywanie tablic rejestracyjnych Jagieła Michał IS (GKiPO) Michał Jagieła
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 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 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 szczegółowoMetody wyszukiwania włókien Omówione zostaną dwie wybrane metody wyszukiwania na obrazie rozmieszczonych losowo kształtów okrągłych.
PM-101/06 Automatyzacja komputerowej analizy obrazów mikrostruktur PIOTR WOLSZCZAK Komputerowa analiza obrazu stosowana w ocenie ilościowej i jakościowej budowy mikrostrukturalnej kompozytów polega na
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 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 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 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 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 szczegółowoP/08/098 LLO-410-30-03/08 P a n i GraŜyna KRULIK Dyrektor Wojewódzkiego; Szpitala Zespolonego w Skierniewicach
Łódź, dnia listopada 2008r. NAJWYśSZA IZBA KONTROLI DELEGATURA W ŁODZI ul. Kilińskiego 210, 90-980 Łódź 7 tel. 683-11-00 (fax) 683-11-29 skr. poczt. 243 P/08/098 LLO-410-30-03/08 P a n i GraŜyna KRULIK
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 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 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 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 szczegółowoSpis treści VII. Wprowadzenie. Prawidłowy gruczoł piersiowy: porównanie budowy makroskopowej z obrazami mammograficznymi... 1
Spis treści Wprowadzenie. Prawidłowy gruczoł piersiowy: porównanie budowy makroskopowej z obrazami mammograficznymi..................................... 1 Wprowadzenie. Prawidłowy gruczoł piersiowy: porównanie
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 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 szczegółowoRachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych
Rachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych Autorzy: Marta Rotkiel, Anna Konik, Bartłomiej Parowicz, Robert Rudak, Piotr Otręba Spis treści: Wstęp Cel
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 szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 9 AiR III
1 Na podstawie materiałów autorstwa dra inż. Marka Wnuka. Niniejszy dokument zawiera materiały do wykładu z przedmiotu Cyfrowe Przetwarzanie Obrazów i Sygnałów. Jest on udostępniony pod warunkiem wykorzystania
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 szczegółowoWYKORZYSTANIE ALGORYTMÓW ROZPOZNAWANIA OBRAZU W BADANIACH NAUKOWYCH NA PRZYKŁADZIE PROGRAMU ZIEMNIAK-99
Inżynieria Rolnicza 6(94)/2007 WYKORZYSTANIE ALGORYTMÓW ROZPOZNAWANIA OBRAZU W BADANIACH NAUKOWYCH NA PRZYKŁADZIE PROGRAMU ZIEMNIAK-99 Michał Cupiał Katedra Inżynierii Rolniczej i Informatyki, Akademia
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 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 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 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 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 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 szczegółowotel. (+4861) fax. (+4861)
dr hab. inż. Michał Nowak prof. PP Politechnika Poznańska, Instytut Silników Spalinowych i Transportu Zakład Inżynierii Wirtualnej ul. Piotrowo 3 60-965 Poznań tel. (+4861) 665-2041 fax. (+4861) 665-2618
Bardziej szczegółowoPOBR Projekt. 1 Cel projektu. 2 Realizacja. 3 Zastosowany algorytm. Celem projektu było rozpoznanie logo firmy Sun Microsystems.
POBR Projekt Michał Przyłuski 198361 10 czerwca 2008 1 Cel projektu Celem projektu było rozpoznanie logo firmy Sun Microsystems. Z analitycznego punktu widzenia, logo to składa się z 8 podobnych obiektów,
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 szczegółowoN.Z.O.Z. Krakowski Ośrodek Diagnostyki Kręgosłupa 31-543 Kraków, ul Krakowska 39 tel. 421-39-39; 0-501-244651 PKO BP 92-10202892-1100257851 www.kodk.pl Kraków 2003-07-06 Prywatne Przedsiębiorstwo Konstrukcyjno-WdroŜeniowe
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 szczegółowoKodowanie transformacyjne. Plan 1. Zasada 2. Rodzaje transformacji 3. Standard JPEG
Kodowanie transformacyjne Plan 1. Zasada 2. Rodzaje transformacji 3. Standard JPEG Zasada Zasada podstawowa: na danych wykonujemy transformacje która: Likwiduje korelacje Skupia energię w kilku komponentach
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 szczegółowoZalew danych skąd się biorą dane? są generowane przez banki, ubezpieczalnie, sieci handlowe, dane eksperymentalne, Web, tekst, e_handel
według przewidywań internetowego magazynu ZDNET News z 8 lutego 2001 roku eksploracja danych (ang. data mining ) będzie jednym z najbardziej rewolucyjnych osiągnięć następnej dekady. Rzeczywiście MIT Technology
Bardziej szczegółowoOptymalizacja Automatycznych Testów Regresywnych
Optymalizacja Automatycznych Testów Regresywnych W Organizacji Transformującej do Agile Adam Marciszewski adam.marciszewski@tieto.com Agenda Kontekst projektu Typowe podejście Wyzwania Cel Założenia Opis
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 szczegółowoAlgorytmy rozpoznawania obrazów. 11. Analiza skupień. dr inż. Urszula Libal. Politechnika Wrocławska
Algorytmy rozpoznawania obrazów 11. Analiza skupień dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Analiza skupień Określenia: analiza skupień (cluster analysis), klasteryzacja (clustering), klasyfikacja
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 szczegółowoTRANSFORMATA FALKOWA WYBRANYCH SYGNAŁÓW SYMULACYJNYCH
1-2013 PROBLEMY EKSPLOATACJI 27 Izabela JÓZEFCZYK, Romuald MAŁECKI Politechnika Warszawska, Płock TRANSFORMATA FALKOWA WYBRANYCH SYGNAŁÓW SYMULACYJNYCH Słowa kluczowe Sygnał, dyskretna transformacja falkowa,
Bardziej szczegółowoAnaliza skupień. Idea
Idea Analiza skupień Analiza skupień jest narzędziem analizy danych służącym do grupowania n obiektów, opisanych za pomocą wektora p-cech, w K niepustych, rozłącznych i możliwie jednorodnych grup skupień.
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 szczegółowoZastosowanie sztucznej inteligencji w testowaniu oprogramowania
Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Problem NP Problem NP (niedeterministycznie wielomianowy, ang. nondeterministic polynomial) to problem decyzyjny, dla którego rozwiązanie
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 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 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 szczegółowoWSTAWIANIE GRAFIKI DO DOKUMENTU TEKSTOWEGO
WSTAWIANIE GRAFIKI DO DOKUMENTU TEKSTOWEGO Niezwykle uŝyteczną cechą programu Word jest łatwość, z jaką przy jego pomocy moŝna tekst wzbogacać róŝnymi obiektami graficznymi, np. zdjęciami, rysunkami czy
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 szczegółowoDwufazowy system monitorowania obiektów. Karina Murawko, Michał Wiśniewski
Dwufazowy system monitorowania obiektów Karina Murawko, Michał Wiśniewski Instytut Grafiki Komputerowej i Systemów Multimedialnych Wydziału Informatyki Politechniki Szczecińskiej Streszczenie W artykule
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 szczegółowoSpis treści. 1. Cyfrowy zapis i synteza dźwięku Schemat blokowy i zadania karty dźwiękowej UTK. Karty dźwiękowe. 1
Spis treści 1. Cyfrowy zapis i synteza dźwięku... 2 2. Schemat blokowy i zadania karty dźwiękowej... 4 UTK. Karty dźwiękowe. 1 1. Cyfrowy zapis i synteza dźwięku Proces kodowania informacji analogowej,
Bardziej szczegółowoPolitechnika Poznańska Instytut Technologii Mechanicznej. Laboratorium Programowanie obrabiarek CNC. Nr 2
1 Politechnika Poznańska Instytut Technologii Mechanicznej Laboratorium Programowanie obrabiarek CNC Nr 2 Obróbka z wykorzystaniem kompensacji promienia narzędzia Opracował: Dr inŝ. Wojciech Ptaszyński
Bardziej szczegółowoPolitechnika Krakowska im. Tadeusza Kościuszki. Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2013/2014
Politechnika Krakowska im. Tadeusza Kościuszki Karta przedmiotu Wydział Mechaniczny obowiązuje studentów rozpoczynających studia w roku akademickim 201/2014 Kierunek studiów: Inżynieria Biomedyczna Forma
Bardziej szczegółowoEKSTRAKCJA CECH TWARZY ZA POMOCĄ TRANSFORMATY FALKOWEJ
Janusz Bobulski Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska ul. Dąbrowskiego 73 42-200 Częstochowa januszb@icis.pcz.pl EKSTRAKCJA CECH TWARZY ZA POMOCĄ TRANSFORMATY FALKOWEJ
Bardziej szczegółowoPróba formalizacji doboru parametrów generalizacji miejscowości dla opracowań w skalach przeglądowych
Próba formalizacji doboru parametrów generalizacji miejscowości dla opracowań w skalach przeglądowych Uniwersytet Warszawski Wydział Geografii i Studiów Regionalnych Katedra Kartografii I. Motywacja Infrastruktura
Bardziej szczegółowoEgzamin / zaliczenie na ocenę*
WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI Zał. nr 4 do ZW 33/01 KARTA PRZEDMIOTU Nazwa w języku polskim: DIAGNOSTYKA OBRAZOWA Nazwa w języku angielskim: DIAGNOSTIC IMAGING Kierunek studiów (jeśli dotyczy):
Bardziej szczegółowoSUBIEKTYWNA OCENA JAKOŚCI DIAGNOSTYCZNEJ KOMPRESOWANYCH STRATNIE OBRAZÓW
SUBIEKTYWNA OCENA JAKOŚCI DIAGNOSTYCZNEJ KOMPRESOWANYCH STRATNIE OBRAZÓW Artur Przelaskowski *, Anna Kukuła **, Paweł Surowski ** * Instytut Radioelektroniki Politechniki Warszawskiej, ul. Nowowiejska
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 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 szczegółowoWtyczka Crop3D. Wstęp. Implementacja. Sprawozdanie z realizacji projektu Bartłomiej Trzewiczek Kraków,
Sprawozdanie z realizacji projektu Bartłomiej Trzewiczek Kraków, 30.06.2015 Wtyczka Crop3D Wstęp Celem projektu było napisanie wtyczki do programu ImageJ pozwalającej na obcięcie tła i maksymalne skadrowanie
Bardziej szczegółowoWydział Elektroniki Telekomunikacji i Informatyki
Projekt badawczy nr N N518 292740 pt.: Opracowanie adaptacyjnego algorytmu sterowania autorskim aparatem zapobiegającym powstawaniu epizodów bezdechu sennego realizowany jest we współpracy Katedry Systemów
Bardziej szczegółowo