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 "mammogram" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Automatic breast-line and pectoral muscle segmentation
    Autorzy:
    Czaplicka, Kamila
    Włodarczyk, Helene
    Powiązania:
    https://bibliotekanauki.pl/articles/1373465.pdf
    Data publikacji:
    2011
    Wydawca:
    Uniwersytet Jagielloński. Wydawnictwo Uniwersytetu Jagiellońskiego
    Tematy:
    pectoral muscle
    breast boundary
    mammogram
    segmentation
    Opis:
    Pre-processing of mammograms is a crucial step in computer-aided analysis systems. The aim of segmentation is to extract a breast region by estimation of a breast skin-line and a pectoral muscle as well as removing radiographic artifacts and the background of the mammogram. Knowledge of the breast contour also allows further analysis of breast abnormalities such as bilateral asymmetry. In this paper we propose a fully automatic algorithm for segmentation of a breast region, based on two types of global image thresholding: the multi-level Otsu and minimizing the measure of fuzziness as well as the gradient estimation and linear regression. The results of our experiments showed that our method can be used to find a breast line and a pectoral muscle accurately
    Źródło:
    Schedae Informaticae; 2011, 20; 195-209
    0860-0295
    2083-8476
    Pojawia się w:
    Schedae Informaticae
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Deep learning versus classical neural approach to mammogram recognition
    Autorzy:
    Kurek, J.
    Świderski, B.
    Osowski, S.
    Kruk, M.
    Barhoumi, W.
    Powiązania:
    https://bibliotekanauki.pl/articles/200919.pdf
    Data publikacji:
    2018
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    convolutional neural networks
    breast cancer diagnosis
    mammogram recognition
    diagnostic features
    splotowe sieci neuronowe
    diagnostyka raka piersi
    rozpoznawanie
    mammografia
    cechy diagnostyczne
    Opis:
    Automatic recognition of mammographic images in breast cancer is a complex issue due to the confusing appearance of some perfectly normal tissues which look like masses. The existing computer-aided systems suffer from non-satisfactory accuracy of cancer detection. This paper addresses this problem and proposes two alternative techniques of mammogram recognition: the application of a variety of methods for definition of numerical image descriptors in combination with an efficient SVM classifier (so-called classical approach) and application of deep learning in the form of convolutional neural networks, enhanced with additional transformations of input mammographic images. The key point of the first approach is defining the proper numerical image descriptors and selecting the set which is the most class discriminative. To achieve better performance of the classifier, many image descriptors were defined by means of applying different characterization of the images: Hilbert curve representation, Kolmogorov-Smirnov statistics, the maximum subregion principle, percolation theory, fractal texture descriptors as well as application of wavelet and wavelet packets. Thanks to them, better description of the basic image properties has been obtained. In the case of deep learning, the features are automatically extracted as part of convolutional neural network learning. To get better quality of results, additional representations of mammograms, in the form of nonnegative matrix factorization and the self-similarity principle, have been proposed. The methods applied were evaluated based on a large database composed of 10,168 regions of interest in mammographic images taken from the DDSM database. Experimental results prove the advantage of deep learning over traditional approach to image recognition. Our best average accuracy in recognizing abnormal cases (malignant plus benign versus healthy) was 85.83%, with sensitivity of 82.82%, specificity of 86.59% and AUC = 0.919. These results are among the best for this massive database.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2018, 66, 6; 831-840
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Mammografia cyfrowa – wymogi przepisów krajowych, UE oraz NFZ dla programu badań przesiewowych
    Autorzy:
    Laska, Robert
    Lutak, Andrzej
    Powiązania:
    https://bibliotekanauki.pl/articles/985958.pdf
    Data publikacji:
    2019
    Wydawca:
    Indygo Zahir Media
    Tematy:
    mammografia cyfrowa
    mammogram
    cyfrowa rejestracja obrazu
    kontrast progowy
    Opis:
    W Polsce od wielu lat funkcjonuje program profilaktyki raka piersi. W ramach tego programu kobietom w wieku 50-69 lat wykonuje się badanie mammograficzne. Istotnym elementem zapewniającym wymaganą skuteczność tego programu jest wysoka jakość otrzymywanych obrazów mammograficznych. Zapewnić to mogą jedynie nowoczesne i odpowiednio funkcjonujące urządzenie radiologiczne (prawidłowo wykalibrowany mammograf i monitory) wraz z kompetentnym i wykwalifikowanym personelem.
    Źródło:
    Inżynier i Fizyk Medyczny; 2019, 8, 1; 58-59
    2300-1410
    Pojawia się w:
    Inżynier i Fizyk Medyczny
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      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