Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "skin lesion" wg kryterium: Wszystkie pola

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Analyses of skin lesion areas after thresholding
    Analiza obszarów zmian skórnych po segmentacji przez progowanie
    Autorzy:
    Michalska, Magdalena
    Powiązania:
    https://bibliotekanauki.pl/articles/1841324.pdf
    Data publikacji:
    2020
    Wydawca:
    Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
    Tematy:
    dermatoscopy
    melanoma
    thresholding
    image region analysis
    dermatoskopia
    czerniak
    segmentacja przez progowanie
    analiza regionów obrazu
    Opis:
    Melanoma is one of the fastest spreading cancers.The aim of the article is to segment the skin lesionsfrom human skin dermatoscopic images covered by melanoma. Threshold segmentation was used, which allows a single skin lesionto be analyzed. Itshows the four areas of each based on their color. The created software monitors the border of skin lesion areas.Segmentation and analysis of the resulting images with different areas of skin change was carried out in the Matlab software.
    Czerniak to jeden z najszybciej rozprzestrzeniających się nowotworów. Celem artykułu jest segmentacja zmiany skórnej z obrazów dermatoskopowych ludzkiej skóry objętych czerniakiem. Użyto segmentacj przez progowanie, która pozwala na analizę pojedyńczejzmiany skórnej. Ukazuje cztery obszary każdej z nich w oparciu o ich barwę. Stworzone oprogramowanie monitoruje granicę obszarów zmiany skórnej. Segmentacjai analiza powstałych obrazów z różnymi obszarami zmiany skórnej została przeprowadzona w środowisku Matlab.
    Źródło:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2020, 10, 3; 9-12
    2083-0157
    2391-6761
    Pojawia się w:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Selected applications of deepneural networks in skin lesion diagnostic
    Wybrane zastosowania głębokich sieci neuronowych w diagnozie zmian skórnych
    Autorzy:
    Michalska-Ciekańska, Magdalena
    Powiązania:
    https://bibliotekanauki.pl/articles/2070250.pdf
    Data publikacji:
    2021
    Wydawca:
    Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
    Tematy:
    dermatoscopic images
    neural networks
    melanoma
    skin lesions
    obraz dermatoskopowy
    sztuczne sieci neuronowe
    zmiany skórne
    Opis:
    The article provides an overview of selected applications of deep neural networks in the diagnosis of skin lesions from human dermatoscopic images, including many dermatological diseases, including very dangerous malignant melanoma. The lesion segmentation process, features selectionand classification was described.Application examples of binary and multiclass classification are given.The described algorithms have been widely used in the diagnosis of skin lesions. The effectiveness, specificity, and accuracy of classifiers were compared and analyzed based on available datasets.
    Artykuł zawiera przeglądwybranychzastosowań głębokich sieci neuronowych w diagnostyce zmian skórnych zobrazów dermatoskopowych człowieka z uwzględnieniem wielu choróbdermatologicznych, w tym bardzo niebezpiecznejz nich malignant melanoma. Został opisany processegmentacjizmiany, selekcji cech i klasyfikacji. Uwzględniono przykłady binarnej i wieloklasowej klasyfikacji. Opisane algorytmy znalazły szerokie zastosowanie w diagnostyce zmian skórnych.Porównano i przeanalizowanoskuteczność, specyficznośći dokładność klasyfikatorów w oparciu o dostępne zestawy danych.
    Źródło:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2021, 11, 4; 18--21
    2083-0157
    2391-6761
    Pojawia się w:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    An overview of classification methods from dermoscopy images in skin lesion diagnostic
    Przegląd metod klasyfikacji obrazów dermatoskopowych wykorzystywanych w diagnostyce zmian skórnych
    Autorzy:
    Michalska, Magdalena
    Boyko, Oksana
    Powiązania:
    https://bibliotekanauki.pl/articles/407654.pdf
    Data publikacji:
    2020
    Wydawca:
    Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
    Tematy:
    dermatoscopic images
    classification method
    neural network
    SVM
    skin cancer
    skin lesion
    obraz dermatoskopowy
    metoda klasyfikacji
    sztuczna sieć neuronowa
    nowotwór skóry
    zmiany skórne
    Opis:
    The article contains a review of selected classification methods of dermatoscopic images with human skin lesions, taking into account various stages of dermatological disease. The described algorithms are widely used in the diagnosis of skin lesions, such as artificial neural networks (CNN, DCNN), random forests, SVM, kNN classifier, AdaBoost MC and their modifications. The effectiveness, specificity and accuracy of classifications based on the same data sets were also compared and analyzed.
    Artykuł zawiera przegląd wybranych metod klasyfikacji obrazów dermatoskopowych zmian skórnych człowieka z uwzględnieniem różnych etapów choroby dermatologicznej. Opisane algorytmy są szeroko wykorzystywane w diagnostyce zmian skórnych, takie jak sztuczne sieci neuronowe (CNN, DCNN), random forests, SVM, klasyfikator kNN, AdaBoost MC i ich modyfikacje. Porównana i przeanalizowana została również skuteczność, specyficznośc i dokładność klasyfikatów w oparciu o te same zestawy danych.
    Źródło:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2020, 10, 2; 36-39
    2083-0157
    2391-6761
    Pojawia się w:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    AI empowered diagnosis of pemphigus: a machine learning approach for automated skin lesion detection
    Diagnostyka pęcherzycy z wykorzystaniem sztucznej inteligencji: podejście oparte na uczeniu maszynowym do automatycznego wykrywania zmian skórnych
    Autorzy:
    Ahmed, Mamun
    Islam, Salma Binta
    Alif, Aftab Uddin
    Islam, Mirajul
    Saima, Sabrina Motin
    Powiązania:
    https://bibliotekanauki.pl/articles/27315458.pdf
    Data publikacji:
    2023
    Wydawca:
    Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
    Tematy:
    pemphigus
    blister
    augmentation
    CNN
    pęcherzyca
    pęcherze
    augmentacja
    Opis:
    Pemphigus is a skin disease that can cause a serious damage to human skin. Pemphigus can result in other issues including painful patches and infected blisters, which can result in sepsis, weight loss, and starvation, all of which can be life-threatening, tooth decay and gum disease. Early prediction of Pemphigus may save us from fatal disease. Machine learning has the potential to offer a highly efficient approach for decision-making and precise forecasting. The healthcare sector is experiencing remarkable advancements through the utilization of machine learning techniques. Therefore, to identify Pemphigus using images, we suggested machine learning-based techniques. This proposed system uses a large dataset collected from various web sources to detect Pemphigus. Augmentation has been applied on our dataset using techniques such as zoom, flip, brightness, distortion, magnitude, height, width to enhance the breadth and variety of the dataset and improve model’s performance. Five popular machine learning algorithms has been employed to train and evaluate model, these are K-Nearest Neighbor (referred to as KNN), Decision Tree (DT), Logistic Regression (LR), Random Forest (RF), and Convolutional Neural Network (CNN). Our outcome indicate that the CNN based model outperformed the other algorithms by achieving accuracy of 93% whereas LR, KNN, RF and DT achieved accuracies of 78%, 70%, 85% and 75% respectively.
    Pęcherzyca to choroba skóry, która może powodować poważne uszkodzenia ludzkiej skóry. Pęcherzyca może powodować inne problemy, w tym bolesne plamy i zakażone pęcherze, które mogą skutkować sepsą, utratą masy ciała i łaknienia, co może zagrażać życiu, próchnicą zębów i chorób dziąseł. Wczesne wykrycie pęcherzycy może uchronić przed śmiertelną chorobą. Uczenie maszynowe może zaoferować wysoce efektywne podejście do podejmowania decyzji i precyzyjnego prognozowania. Sektor opieki zdrowotnej doświadcza niezwykłych postępów dzięki wykorzystaniu technik uczenia maszynowego. Dlatego do identyfikacji pęcherzycy za pomocą obrazów zaproponowano techniki oparte na uczeniu maszynowym. Proponowany system wykorzystuje duży zbiór danych zebranych z różnych źródeł internetowych do wykrywania pęcherzycy. W zbiorze danych zastosowano augmentację przy użyciu technik takich jak powiększanie, odwracanie, zmiana jasności, zniekształcenie, zmiana wielkości, wysokość i szerokości, aby zwiększyć zakres i różnorodność zbioru danych oraz poprawić wydajność modelu. Do uczenia i oceny modelu wykorzystano pięć popularnych algorytmów uczenia maszynowego, są to: K-Nearest Neighbor (określany jako KNN), drzewo decyzyjne (DT), regresja logistyczna (LR), las losowy (RF) i konwolucyjną sieć neuronowa (CNN). Uzyskane wyniki wskazują, że model oparty na CNN był lepszy od innych algorytmów, osiągając dokładność na poziomie 93%, podczas gdy LR, KNN, RF i DT osiągnęły dokładność odpowiednio 78%, 70%, 85% i 75%.
    Źródło:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2023, 13, 4; 21--26
    2083-0157
    2391-6761
    Pojawia się w:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies