39,90 €*
Versandkostenfrei per Post / DHL
Lieferzeit 2-4 Werktage
Hirntumor ist eine der lebensbedrohlichsten Krankheiten und daher sollte seine Erkennung schnell und genau sein. Dies kann durch die Ausführung von automatisierten Tumorerkennungsverfahren auf medizinischen Bildern erreicht werden. Viele automatisierte Techniken, die für die Bildsegmentierung verwendet werden, sind vorgeschlagen worden. Hier schlagen wir eine automatisierte und effiziente Technik zur Erkennung von Hirntumoren vor, die auf Positronen-Emissions-Tomographie (PET)-Bildern implementiert wird. Die Simulation der vorgeschlagenen Arbeit wird in MATLAB durchgeführt. Die Segmentierung von Hirntumoren auf Positronen-Emissions-Tomographie (PET)-Bildern ist eine sehr schwierige und wichtige Aufgabe für die medizinische Diagnose. Diese Arbeit beschreibt die Prozesse und Techniken zur Erkennung von Hirntumoren auf PET-Bildern mit Hilfe von ANN (Artificial Neural Network), das in der biomedizinischen Bildverarbeitung zur Klassifizierung und Erkennung am häufigsten eingesetzt wird. In dem vorgeschlagenen System wird zunächst eine Vor- und Nachbearbeitung der PET-Bilder durchgeführt, um sie zu verbessern, dann ist das verarbeitete Bild besser für die Analyse und Klassifizierung der Tumorbilder geeignet. Hier wird die Sobel-Kantenerkennung zur Segmentierung der PET-Bilder verwendet. In der zweiten Stufe wird eine statistische Merkmalsanalyse aus den PET-Bildern extrahiert.
Hirntumor ist eine der lebensbedrohlichsten Krankheiten und daher sollte seine Erkennung schnell und genau sein. Dies kann durch die Ausführung von automatisierten Tumorerkennungsverfahren auf medizinischen Bildern erreicht werden. Viele automatisierte Techniken, die für die Bildsegmentierung verwendet werden, sind vorgeschlagen worden. Hier schlagen wir eine automatisierte und effiziente Technik zur Erkennung von Hirntumoren vor, die auf Positronen-Emissions-Tomographie (PET)-Bildern implementiert wird. Die Simulation der vorgeschlagenen Arbeit wird in MATLAB durchgeführt. Die Segmentierung von Hirntumoren auf Positronen-Emissions-Tomographie (PET)-Bildern ist eine sehr schwierige und wichtige Aufgabe für die medizinische Diagnose. Diese Arbeit beschreibt die Prozesse und Techniken zur Erkennung von Hirntumoren auf PET-Bildern mit Hilfe von ANN (Artificial Neural Network), das in der biomedizinischen Bildverarbeitung zur Klassifizierung und Erkennung am häufigsten eingesetzt wird. In dem vorgeschlagenen System wird zunächst eine Vor- und Nachbearbeitung der PET-Bilder durchgeführt, um sie zu verbessern, dann ist das verarbeitete Bild besser für die Analyse und Klassifizierung der Tumorbilder geeignet. Hier wird die Sobel-Kantenerkennung zur Segmentierung der PET-Bilder verwendet. In der zweiten Stufe wird eine statistische Merkmalsanalyse aus den PET-Bildern extrahiert.
| Erscheinungsjahr: | 2021 |
|---|---|
| Fachbereich: | Allgemeines |
| Genre: | Importe, Technik |
| Rubrik: | Naturwissenschaften & Technik |
| Medium: | Taschenbuch |
| Inhalt: | 64 S. |
| ISBN-13: | 9786203785876 |
| ISBN-10: | 6203785873 |
| Sprache: | Deutsch |
| Einband: | Kartoniert / Broschiert |
| Autor: | Hagargi, P. A |
| Hersteller: | Verlag Unser Wissen |
| Verantwortliche Person für die EU: | Verlag Unser Wissen, Brivibas Gatve 197, ?-1039 Riga, customerservice@vdm-vsg.de |
| Maße: | 220 x 150 x 5 mm |
| Von/Mit: | P. A Hagargi |
| Erscheinungsdatum: | 16.06.2021 |
| Gewicht: | 0,113 kg |
| Erscheinungsjahr: | 2021 |
|---|---|
| Fachbereich: | Allgemeines |
| Genre: | Importe, Technik |
| Rubrik: | Naturwissenschaften & Technik |
| Medium: | Taschenbuch |
| Inhalt: | 64 S. |
| ISBN-13: | 9786203785876 |
| ISBN-10: | 6203785873 |
| Sprache: | Deutsch |
| Einband: | Kartoniert / Broschiert |
| Autor: | Hagargi, P. A |
| Hersteller: | Verlag Unser Wissen |
| Verantwortliche Person für die EU: | Verlag Unser Wissen, Brivibas Gatve 197, ?-1039 Riga, customerservice@vdm-vsg.de |
| Maße: | 220 x 150 x 5 mm |
| Von/Mit: | P. A Hagargi |
| Erscheinungsdatum: | 16.06.2021 |
| Gewicht: | 0,113 kg |
Ähnliche Produkte
Lieferzeit 2-3 Wochen
Lieferzeit 1-2 Werktage
Lieferzeit 1-2 Werktage
Lieferzeit 1-2 Werktage
Lieferzeit 1-2 Werktage
Lieferzeit 1-2 Werktage
Lieferzeit 1-2 Wochen
Lieferzeit 1-2 Werktage
Lieferzeit 1-2 Wochen