論文の概要: Medical Image Enhancement Using Histogram Processing and Feature Extraction for Cancer Classification

• arxiv url: http://arxiv.org/abs/2003.06615v1
• Date: Sat, 14 Mar 2020 12:11:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-23 20:20:25.325845
• Title: Medical Image Enhancement Using Histogram Processing and Feature Extraction for Cancer Classification
• Title（参考訳）: 癌分類におけるヒストグラム処理と特徴抽出を用いた医用画像強調
• Authors: Sakshi Patel, Bharath K P and Rajesh Kumar Muthu
• Abstract要約: ヒストグラム等化技術は、画像の質を向上し、よく定義された問題を与えるのに役立つ。 また,K-meansアルゴリズムを用いて,脳の腫瘍部分の分画と抽出を行った。
• 参考スコア（独自算出の注目度）: 5.156484100374058
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: MRI (Magnetic Resonance Imaging) is a technique used to analyze and diagnose the problem defined by images like cancer or tumor in a brain. Physicians require good contrast images for better treatment purpose as it contains maximum information of the disease. MRI images are low contrast images which make diagnoses difficult; hence better localization of image pixels is required. Histogram Equalization techniques help to enhance the image so that it gives an improved visual quality and a well defined problem. The contrast and brightness is enhanced in such a way that it does not lose its original information and the brightness is preserved. We compare the different equalization techniques in this paper; the techniques are critically studied and elaborated. They are also tabulated to compare various parameters present in the image. In addition we have also segmented and extracted the tumor part out of the brain using K-means algorithm. For classification and feature extraction the method used is Support Vector Machine (SVM). The main goal of this research work is to help the medical field with a light of image processing.
• Abstract（参考訳）: MRI(Magnetic Resonance Imaging)は、脳のがんや腫瘍などの画像によって定義される問題を解析し、診断するための技術である。 医師は、疾患の最大情報を含むため、より良い治療目的のために良いコントラスト画像を要求する。 MRI画像は低コントラスト画像であり,診断が困難である。 ヒストグラム等化技術は、画像の質を向上し、よく定義された問題を与えるのに役立つ。 コントラストと明るさは元の情報を失わないように強化され、明るさは保存される。 本論文では, 異なる等化手法を比較し, 批判的に研究され, 精巧化されている。 それらはまた、画像に存在する様々なパラメータを比較するために集計される。 また,k-meansアルゴリズムを用いて脳内腫瘍部分の分節抽出を行った。 分類と特徴抽出のために使用される方法は support vector machine (svm) である。 この研究の主な目標は、医療分野を画像処理の光で支援することである。

関連論文リスト

• Exploration of Multi-Scale Image Fusion Systems in Intelligent Medical Image Analysis [3.881664394416534]
  MRI画像上で脳腫瘍の自動分離を行う必要がある。 このプロジェクトは、U-Netに基づいたMRIアルゴリズムを構築することを目的としている。
  論文  参考訳（メタデータ） (2024-05-23T04:33:12Z)
• Mining Gaze for Contrastive Learning toward Computer-Assisted Diagnosis [61.089776864520594]
  医用画像のテキストレポートの代替としてアイトラッキングを提案する。 医用画像を読み,診断する際に放射線科医の視線を追跡することにより,その視覚的注意と臨床的理由を理解することができる。 対照的な学習フレームワークのためのプラグイン・アンド・プレイモジュールとして,McGIP (McGIP) を導入した。
  論文  参考訳（メタデータ） (2023-12-11T02:27:45Z)
• Invariant Scattering Transform for Medical Imaging [0.0]
  不変散乱変換は、コンピュータビジョンのための深層学習と信号処理を融合させる新しい研究領域を導入する。 ディープラーニングアルゴリズムは、医療分野のさまざまな問題を解決することができる。 2020年のパンデミックの間、機械学習とディープラーニングは新型コロナウイルスを検出する上で重要な役割を担ってきた。
  論文  参考訳（メタデータ） (2023-07-07T19:40:42Z)
• A Survey of Feature detection methods for localisation of plain sections of Axial Brain Magnetic Resonance Imaging [0.0]
  患者のMRI画像と患者のMRIスライスを脳の模擬アトラスにマッピングすることは、脳のMRIの自動登録の鍵となる。 本研究では,脳のMRIと異なる患者のMRIのマッチングや,MRIのスライスと脳のアトラスの位置をマッチングする手法とアプローチを比較できるように,ロバストネス,精度,累積距離の計測と方法論を導入している。
  論文  参考訳（メタデータ） (2023-02-08T16:24:09Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Image translation of Ultrasound to Pseudo Anatomical Display Using Artificial Intelligence [0.0]
  CycleGANは、各ドメインプロパティを個別に学習し、クロスドメインサイクルの一貫性を強制するために使用された。 生成された擬似解剖画像は、より明確な境界定義と明瞭なコントラストで、病変の視覚的識別を改善する。
  論文  参考訳（メタデータ） (2022-02-16T13:31:49Z)
• Image Processing Techniques for identifying tumors in an MRI image [0.0]
  デジタル割り当ては、ATD(Automated Tumor Detection)で使用されるさまざまな画像処理技術を調査します。 この課題は、Morphological Tools (MT) や Region Growing Technique (RGT) などの伝統的な技術を比較して議論を開始する。
  論文  参考訳（メタデータ） (2021-03-28T15:18:38Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。