Détection de tumeurs cérébrales à partir d'images d'IRM basée sur une matrice de cooccurrence
Versandkostenfrei!
Versandfertig in 6-10 Tagen
35,99 €
inkl. MwSt.
PAYBACK Punkte
18 °P sammeln!
L'analyse automatique des images médicales à l'aide d'un diagnostic par analyse informatique est l'un des domaines les plus intéressants du traitement des images biomédicales. Le système proposé donne des techniques liées à l'analyse de l'IRM. Une analyse de structure statistique basée sur un schéma de segmentation des tumeurs est présentée, qui se concentre sur l'analyse structurelle dans les tissus normaux et anormaux, ce qui aidera les médecins à éviter l'erreur humaine dans l'interprétation manuelle du contenu médical. Dans cette étude, un algorithme de seuillage amélior...
L'analyse automatique des images médicales à l'aide d'un diagnostic par analyse informatique est l'un des domaines les plus intéressants du traitement des images biomédicales. Le système proposé donne des techniques liées à l'analyse de l'IRM. Une analyse de structure statistique basée sur un schéma de segmentation des tumeurs est présentée, qui se concentre sur l'analyse structurelle dans les tissus normaux et anormaux, ce qui aidera les médecins à éviter l'erreur humaine dans l'interprétation manuelle du contenu médical. Dans cette étude, un algorithme de seuillage amélioré est appliqué pour extraire la partie anormale de l'IRM 2D. Des échantillons d'âges et de cas différents ont été prélevés à la cité médicale AL-Imammain Al-Kadhimain et à l'Institut de radiologie. En calculant la zone du tissu anormal (tumeur), la transformation en ondelettes est ensuite appliquée, une technique d'estimation du signal qui exploite les capacités de débruitage du signal. Une caractéristique statistique a été obtenue, puis une méthode hybride est appliquée dans laquelle le clustering k-mean est une méthode d'analyse de cluster qui vise à partitionner les images en clusters. Enfin, un algorithme a été créé pour colorer les images en fonction de la frontière. Cela permet de séparer la partie anormale en k clusters.
Andere Kunden interessierten sich für
