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 "Kot, Estera" wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Algorytm segmentacji obrazów CT i PET do identyfikacji i wyznaczania objętości glejaka mózgu
    Segmentation of brain CT and PET biomedical images to compute gliomas volumes
    Autorzy:
    Kot, Estera
    Siwek, Krzysztof
    Powiązania:
    https://bibliotekanauki.pl/articles/378270.pdf
    Data publikacji:
    2019
    Wydawca:
    Politechnika Poznańska. Wydawnictwo Politechniki Poznańskiej
    Tematy:
    segmentacja
    metoda aktywnego konturu
    tomografia komputerowa
    pozytonowa tomografia emisyjna
    nowotwór mózgu
    Opis:
    Artykuł przedstawia nowy algorytm segmentacji wyników badań obrazowania mózgu - tomografii komputerowej (CT) i pozytonowej tomografii emisyjnej (PET) w celu identyfikacji, wyznaczania objętości i wizualizacji nowotworu mózgu – glejaka wielopostaciowego. Opracowano oprogramowanie komputerowe w środowisku MATLAB wykorzystujące metody aktywnego konturu: Edge i Chan-Vese. Dla podkreślenia wagi rozwiązywanego problemu nakreślono również aktualny sposób leczenia pacjentów z rozpoznanym glejakiem wielopostaciowym oraz metody pozyskiwania danych medycznych. W pracy przedstawiono schemat blokowy algorytmu i szczegółowo opisano kroki prowadzące do kolejnych rozwiązań. Zaprezentowano uzyskane wyniki numeryczne i wizualizację guzów. Pokazano sposoby weryfikacji wyników oraz wskazano dalsze perspektywy rozwoju omawianego problemu.
    The paper presents an algorithm of segmentation of brain imaging examination results – computed tomography and positron emission tomography – in order to identify, calculate and visualize the brain tumor glioblastoma multiforme. Computer software was developed in the MATLAB environment using active contour methods: Edge and Chan- Vese. To understand the significance of the problem being solved, a review of the current treatment method for patients with diagnosed glioblastoma multiforme and means of obtaining medical data were included. The work presents a block diagram of the algorithm and details steps leading to further results. Numerical results and visualization of tumors were performed. Methods of verification of results were described, and further development perspectives of the discussed problem were indicated.
    Źródło:
    Poznan University of Technology Academic Journals. Electrical Engineering; 2019, 100; 87-97
    1897-0737
    Pojawia się w:
    Poznan University of Technology Academic Journals. Electrical Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Architektura platformy korzystającej z metod uczenia maszynowego do przetwarzania obrazów biomedycznych w chmurze
    Architecture of a platform that uses machine learning methods to process biomedical images in the cloud
    Autorzy:
    Kot, Estera
    Siwek, Krzysztof
    Winska, Ewelina
    Powiązania:
    https://bibliotekanauki.pl/articles/376986.pdf
    Data publikacji:
    2020
    Wydawca:
    Politechnika Poznańska. Wydawnictwo Politechniki Poznańskiej
    Tematy:
    obrazy biomedyczne
    architektura
    chmura
    glejak
    przetwarzanie obrazów
    uczenie maszynowe
    Opis:
    W artykule zaproponowana została architektura korzystająca z chmury Microsoft Azure umożliwiająca uruchomienie algorytmów uczenia maszynowego służących do wykrywania guzów mózgu z zestawu obrazów DICOM. Przedstawiony został proces wdrożenia modelu z uwzględnieniem integracji z infrastrukturą jednostki wykonującej badania medyczne. Zwrócono uwagę na bezpieczeństwo danych i ograniczenia typowe dla danych medycznych. Wskazano dalsze perspektywy rozwoju omawianego rozwiązania.
    This paper proposes architecture based on Microsoft Azure Cloud that uses machine learning algorithms to detect brain tumours from a set of DICOM images. The process of implementing the model is presented, including integration with the infrastructure of the unit performing medical research. Data security and limitations typical for medical data are described. Further development perspectives for the discussed solutions are indicated.
    Źródło:
    Poznan University of Technology Academic Journals. Electrical Engineering; 2020, 104; 35-44
    1897-0737
    Pojawia się w:
    Poznan University of Technology Academic Journals. Electrical Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Deep learning-based framework for tumour detection and semantic segmentation
    Autorzy:
    Kot, Estera
    Krawczyk, Zuzanna
    Siwek, Krzysztof
    Królicki, Leszek
    Czwarnowski, Piotr
    Powiązania:
    https://bibliotekanauki.pl/articles/2128156.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    deep learning
    medical imaging
    tumour detection
    semantic segmentation
    image fusion
    technika deep learning
    głęboka nauka
    obrazowanie medyczne
    wykrywanie guza
    segmentacja semantyczna
    połączenie obrazu
    Opis:
    For brain tumour treatment plans, the diagnoses and predictions made by medical doctors and radiologists are dependent on medical imaging. Obtaining clinically meaningful information from various imaging modalities such as computerized tomography (CT), positron emission tomography (PET) and magnetic resonance (MR) scans are the core methods in software and advanced screening utilized by radiologists. In this paper, a universal and complex framework for two parts of the dose control process – tumours detection and tumours area segmentation from medical images is introduced. The framework formed the implementation of methods to detect glioma tumour from CT and PET scans. Two deep learning pre-trained models: VGG19 and VGG19-BN were investigated and utilized to fuse CT and PET examinations results. Mask R-CNN (region-based convolutional neural network) was used for tumour detection – output of the model is bounding box coordinates for each object in the image – tumour. U-Net was used to perform semantic segmentation – segment malignant cells and tumour area. Transfer learning technique was used to increase the accuracy of models while having a limited collection of the dataset. Data augmentation methods were applied to generate and increase the number of training samples. The implemented framework can be utilized for other use-cases that combine object detection and area segmentation from grayscale and RGB images, especially to shape computer-aided diagnosis (CADx) and computer-aided detection (CADe) systems in the healthcare industry to facilitate and assist doctors and medical care providers.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2021, 69, 3; e136750, 1--7
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Deep learning-based framework for tumour detection and semantic segmentation
    Autorzy:
    Kot, Estera
    Krawczyk, Zuzanna
    Siwek, Krzysztof
    Królicki, Leszek
    Czwarnowski, Piotr
    Powiązania:
    https://bibliotekanauki.pl/articles/2173573.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    deep learning
    medical imaging
    tumour detection
    semantic segmentation
    image fusion
    technika deep learning
    głęboka nauka
    obrazowanie medyczne
    wykrywanie guza
    segmentacja semantyczna
    połączenie obrazu
    Opis:
    For brain tumour treatment plans, the diagnoses and predictions made by medical doctors and radiologists are dependent on medical imaging. Obtaining clinically meaningful information from various imaging modalities such as computerized tomography (CT), positron emission tomography (PET) and magnetic resonance (MR) scans are the core methods in software and advanced screening utilized by radiologists. In this paper, a universal and complex framework for two parts of the dose control process – tumours detection and tumours area segmentation from medical images is introduced. The framework formed the implementation of methods to detect glioma tumour from CT and PET scans. Two deep learning pre-trained models: VGG19 and VGG19-BN were investigated and utilized to fuse CT and PET examinations results. Mask R-CNN (region-based convolutional neural network) was used for tumour detection – output of the model is bounding box coordinates for each object in the image – tumour. U-Net was used to perform semantic segmentation – segment malignant cells and tumour area. Transfer learning technique was used to increase the accuracy of models while having a limited collection of the dataset. Data augmentation methods were applied to generate and increase the number of training samples. The implemented framework can be utilized for other use-cases that combine object detection and area segmentation from grayscale and RGB images, especially to shape computer-aided diagnosis (CADx) and computer-aided detection (CADe) systems in the healthcare industry to facilitate and assist doctors and medical care providers.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2021, 69, 3; art. no. e136750
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    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