Andere Kunden interessierten sich auch für
![Traitement numérique des images dans les applications de soins de santé]( "Traitement numérique des images dans les applications de soins de santé")
Traitement numérique des images dans les applications de soins de santé26,99 €![Une étude sur la détection des changements dans les images hyperspectrales]( "Une étude sur la détection des changements dans les images hyperspectrales")
Une étude sur la détection des changements dans les images hyperspectrales26,99 €![UNE APPROCHE GLOBALE POUR DÉVELOPPER UN SYSTÈME INTELLIGENT]( "UNE APPROCHE GLOBALE POUR DÉVELOPPER UN SYSTÈME INTELLIGENT")
UNE APPROCHE GLOBALE POUR DÉVELOPPER UN SYSTÈME INTELLIGENT40,99 €![Détection du carcinome pulmonaire à l'aide des techniques Fuzzy et ACO]( "Détection du carcinome pulmonaire à l'aide des techniques Fuzzy et ACO")
Détection du carcinome pulmonaire à l'aide des techniques Fuzzy et ACO29,99 €![Une nouvelle méthode de détection précoce du cancer des os par segmentation MRF]( "Une nouvelle méthode de détection précoce du cancer des os par segmentation MRF")
Une nouvelle méthode de détection précoce du cancer des os par segmentation MRF23,99 €![Évaluation de la qualité des images pour la détection des fausses données biométriques]( "Évaluation de la qualité des images pour la détection des fausses données biométriques")
Évaluation de la qualité des images pour la détection des fausses données biométriques23,99 €![Grillage et segmentation efficaces pour les images de microréseaux]( "Grillage et segmentation efficaces pour les images de microréseaux")
Grillage et segmentation efficaces pour les images de microréseaux26,99 €
Le paludisme est une maladie infectieuse qui est principalement diagnostiquée par une évaluation microscopique visuelle de frottis sanguins colorés au Giemsa. Comme il s'agit d'un grave problème de santé mondial, l'automatisation du processus d'évaluation revêt une grande importance. Par conséquent, pour le diagnostic du paludisme, nous créons une base de données de globules rouges non infectés et de cellules infectées par des parasites du paludisme et nous évaluons la performance de ces caractéristiques sur l'ensemble des globules rouges de la base de données créée. Pour automatiser le processus de création de la base de données, nous proposons une méthode de segmentation, à savoir la retenue d'erreur minimale de Poisson, qui détermine les régions de l'image originale correspondant aux globules rouges individuels, aux parasites et aux cellules séparées, superposées et occluses. La partie principale de ce travail est consacrée à l'extraction de caractéristiques des images de globules rouges qui pourraient être utilisées pour distinguer les globules rouges infectés et non infectés. Nous proposons un ensemble de caractéristiques basées sur la distance et l'intensité cellulaire et évaluons donc la performance de ces caractéristiques avec l'ensemble de données d'entraînement composé de points caractéristiques infectés et non infectés. Les résultats ont montré que ces caractéristiques peuvent être utilisées avec succès.