Отрывок: If DF is contant in a certain % range of R, then DF is the fractal dimension of the set C. The % derivative is computed as a 2nd order finite difference (see GRADIENT). % % The execution time depends on the sizes of C. It is fastest for powers % of two over each dimension. % % Examples: % % % Plots the box-count of a vector containing randomly-distributed % ...
Название : Классификация биомедицинских изображений оптической когерентной томографии с использованием статистических моделей
Авторы/Редакторы : Раупов Д. С.
Храмов А. Г.
Капишников А. В.
Суханов С. В.
Министерство образования и науки Российской Федерации
Самарский национальный исследовательский университет им. С. П. Королева (Самарский университет)
Институт информатики
математики и электроники
Дата публикации : 2018
Библиографическое описание : Раупов, Д. С. Классификация биомедицинских изображений оптической когерентной томографии с использованием статистических моделей : вып. квалификац. работа по направлению подгот. "Прикладная математика и информатика" (уровень магистратуры) / Д. С. Раупов ; рук. работы А. Г. Храмов; рец. А. В. Капишников ; М-во образования и науки Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т информатики, математики и элек. - Самаpа, 2018. - on-line
Аннотация : В работе производится разработка и исследование диагностических моделей для классификации биомедицинских изображений оптическойкогерентной томографии (ОКТ). Объектом исследования являются ОКТ-изображения онкологических заболеваний кожи.Цель работы – применение сложных комбинированных методов обработки изображений, использующих элементы нескольких алгоритмов и обладающих более высокими характеристиками диагностической чувствительности и специфичности. Проведена обработка ОКТ-изображений методами удаления шумов, выделением признаков и глубокими нейронными сетями. Посчитаны эффективные диагностические признаки. На тестовых изображениях погруппе критериев произведена оценка качества реализованных вариантов алгоритмов, исследованы основные режимы их работы, определены границыприменимости алгоритмов при решении конкретных прикладных задач.
Другие идентификаторы : RU\НТБ СГАУ\ВКР20180911153248
Ключевые слова: сверточные нейронные сети
обработка изображений
извлечение признаков
машинное обучение
Располагается в коллекциях: Выпускные квалификационные работы




Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.