В данной тезисной работе представлено общее описание алгоритмов обработки рентгеновских изображений человеческой стопы, которые важны для диагностики различных состояний стопы, включая переломы, деформации и заболевания суставов. Исследование охватывает несколько методов обработки изображений, таких как выявление изменений, сегментация и извлечение признаков, что способствует улучшению качества рентгеновских снимков и повышению точности диагностики. Кроме того, в тезисе обсуждаются трудности, связанные с шумами, искажениями и низкой контрастностью рентгеновских изображений, а также предлагаются методы снижения этих проблем. Реализация этих алгоритмов направлена на повышение эффективности диагностики заболеваний стопы и более эффективное принятие медицинских решений.
В данном исследовании проанализированы основные базы изображений, используемые в таких областях, как медицина, география, сельское хозяйство и биометрические технологии. В частности, рассмотрены базы данных LIDC-IDRI, OASIS, Landsat, Sentinel-2, Google Earth Engine, PlantVillagc, UAV-bascd crop monitoring datasets, LFW и CASIA-WebFace. В работе обсуждаются исследования и разработки, осуществленные с использованием указанных баз.
В статье «Методы извлечения объектов из изображений» рассмотрены основные типы алгоритмов сегментации объектов изображения и представлена информация об их основных преимуществах и недостатках. В зависимости от характера проблемы есть возможность выбрать один или несколько методов.
Данная исследовательская работа посвящена вопросу сегментации рентгеновских снимков легких, в которой выдвигается идея усовершенствования традиционной архитектуры U-Net с помощью остаточных связей и адаптивных механизмов обучения, а также данная модель проверяется в экспериментах. В результате было отмечено, что модель достигла высоких показателей точности, коэффициента Dice и IoU.
Искусственный интеллект (ИИ) открывает множество возможностей для интеллектуального анализа медицинских изображений. Однако для эффективной работы таких моделей необходимы большие и качественно размеченные данные. Поскольку в медицинской сфере сбор таких данных является сложным и дорогостоящим, методы аугментации данных приобретают особую важность.
В данной статье рассмотрены проблемы, возникающие при цифровой обработке изображений внутренних органов человека, полученных методом видеоэндоскопии, а также пути их устранения. Несмотря на широкое применение видеоэндоскопических изображений в медицине, в диагностике и хирургии, их качество может снижаться из-за таких факторов, как недостаточное освещение, шумы, геометрические искажения и изменение цветового баланса. Кроме того, биологическое разнообразие человеческого организма и патологические различия проявления заболеваний негативно влияют на точность моделей искусственного интеллекта. В статье обоснована актуальность использования современных алгоритмических подходов, включая технологии глубокого обучения, для повышения качества изображений и эффективности диагностики.
В данной статье рассматривается применение алгоритма кластеризации k-means для распознавания динамических объектов. Поскольку метод k-means является одним из методов обучения без учителя, он широко используется в задачах определения, отслеживания и классификации движущихся объектов в реальном времени. Содержание метода, его реализация и недостатки указывают на необходимость применения подходов глубокого обучения.
