Academic literature on the topic 'Текстурне зображення'

Метою роботи була розробка та реалізація нового алгоритму порівняння двох медичних зображень паренхіматозних органів шляхом виокремлення в них однакових та унікальних патернів та наступного їх аналізу. Для цього було розглянуто найбільш розповсюджені алгоритми порівняння зображень, серед яких були строге порівняння, порівняння нечітких пікселів та порівняння гістограм. Оскільки найбільш розповсюджені алгоритми порівняння зображень мають недоліки, які роблять неможливим їх використання в аналізі медичних зображень було створено програмний додаток для порівняння двох медичних зображень, який реалізовує алгоритм порівняння зображень шляхом співставлення патернів, а також використовує для попередньої обробки алгоритм зменшення кількості відтінків сірого. Для розробки було використано фреймворк .NET та мову програмування C#. Після аналізу отриманих результатів роботи програмного додатку на зображеннях легень у станах норми, пневмонії, COVID-19, COVID-19 з пневмонією, а також печінки у нормі та при цирозі було з’ясовано, що при такому підході попередня обробка зображень шляхом зменшення кількості відтінків сірого є необхідним компонентом програми, а також що можливо отримати задовільні результати навіть при обробці зображень, які містять додаткову інформацію про оточуючі тканини, але для найкращого результату на вхід програми бажано подавати зображення, на яких міститься виключно текстура досліджуваних органів. Також результати роботи створеного додатку можуть бути використані для створення тренувальних вибірок для навчання нейронних мереж та інших класифікаційних алгоритмів. Ключові слова – обробка зображень, аналіз текстури, системи підвищення ефективності, .NET, C#

Реферат: Проблематика. При інтенсивному моніторингу профілактичного огляду пацієнтів у медичних закладах первинної ланки найбільш зручно по ультразвуковим зображенням діагностувати лише наявність чи відсутність фіброзних змін печінки. Подібний підхід є найбільш ефективним при профілактиці захворювань, при цьому алгоритм класифікації визначає лише наявність патології, а уточнення діагнозу, ступінь ураження вже знайденої патології може визначатися в подальшому у спеціалізованих медичних закладах висококваліфікованим лікарем діагностом. Однак, розробка автоматизованих систем підтримки рішень при диференціації клінічно схожих захворювань завжди є актуальною задачею в медичній практиці. Однією з таких задач є диференціація аутоімунного гепатиту і хвороби Вільсона. Мета. Розробити діагностичний алгоритм класифікації аутоімунного гепатиту і хвороби Вільсона за результатами аналізу ультразвукових зображень печінки. Методика реалізації. Дані для виконання дослідження надано Інститутом ядерної медицини та променевої діагностики НАМН України – 9 знімків УЗД стосуються хворих на аутоімунній гепатит, 20 знімків пацієнтів з хворобою Вільсона. Об’єктами класифікації є області інтересу, що було виділено на ультразвукових зображеннях медичними фахівцями. Для збільшення об’єму навчальної вибірки та підвищення якості системи класифікації застосовано аугментацію одержаних зображень. В результаті для навчання (навчальна вибірка) та верифікації (тестова вибірка) було одержано загалом 600 областей інтересу (150 для аутоімунного гепатиту і 450 для хвороби Вільсона). Виходячі з припущення, що відмінності у характеристиках зображень класів знаходяться у відмінностях їх текстур в роботі розраховані текстурні ознаки на основі частот зустрічаємості патернів бінарного шаблону відтінків сірого. Для побудови класифікатора застовано алгоритм Random Forest. Результати дослідження. Загальна вибірка з 600 областей інтересу була розбита випадковим чином на навчальну (80%) і тестову (20%). Одержано модель класифікатору алгоритмом Random Forest з показниками якості класифікації на навчальній вибірці: точність - 100%, чутливість - 1, специфічність - 1, F-score -1, та на тестовій вибірці: точність 90,8% , чутливість 0.767 , специфічність – 0,956, F-score – 0,873. Висновки. Запропоновано ефективний підхід для вирішення задачі автоматичної диференційної діагностики аутоімунного гепатиту та хвороби Вільсона. На основі текстурних ознак та алгоритму випадкового лісу була отримана високоякісна модель класифікації Ключові слова – диференціальна діагностика, аутоімунний гепатит, хвороба Вільсона, ультразвукова діагностика, аугментація зображень, патерни, локальні бінарні шаблони, Random Forest.

Реферат – Проблематика. Визначення структури ураження легеневої тканини хворих на COVID-19 по типовим ознакам «матове скло», «бруківка», «консолідація» є важливою складовою обґрунтування діагнозу та лікувальних заходів на поточний момент терапії пацієнта. Найбільш поширеним засобом визначення стадії та типу ураження дихальних шляхів є аналіз рентген зображень та комп’ютерної томографії (КТ). Оскільки особливістю вірусної пневмонії SARS-CoV-2 є швидкий перехід від легких стадій до важких з розвитком цитокинового шторму і розповсюдження вірусу в артеріальний кровотік, то надійний та швидкий аналіз КТ зображень легень пацієнта є запорукою прийняття своєчасних лікувальних заходів. В даній роботі розглядаються можливості застосування засобів штучного інтелекту для вирішення задачі класифікації уражень легень при захворюванні COVID-19. Мета. Метою роботи є створення класифікаційної системи типу уражень легень при COVID-19 по типовим ознакам «матове скло», «бруківка», «консолідація» на основі згорткової нейронної мережі CNN та текстурних ознак, джерелом яких є матриці суміжності GLCM при різних значеннях кутів напрямку аналізу. Методика реалізації. Оскільки основою відмінностей різних типів ураження легеневої тканини на КТ зображеннях є відмінності у їх текстурних характеристиках, то в основу простору ознак класифікаційної системи закладемо елементи гістограм на основі матриць суміжності областей інтересу КТ зображень легень. У зв’язку з високими якостями перетворення простору ознак до потреб задач класифікації згортковими шарами мережі, засобом побудови класифікатора пропонується застосувати згорткову нейронну мережу. Для навчання системи ДУ “«Національний інститут фтизіатрії і пульмонології ім. Ф.Г. Яновського НАМН України» було надано 794 КТ зрізів від 20 пацієнтів із масками зображень, на яких виділені 4714 зони інтересу з означеними типами уражень легень. Була побудована модель семишарової згорткової нейронної мережі: із чотирма згортковими шарами, після перших трьох з яких йдуть агрегувальні шари. На вхід згорткової нейронної мережі одночасно подаються текстурні ознаки двох GLCM, які були отримані із сегментованих КТ зображень під різними кутами. В якості функції втрат була використана NLLLOSS. Шар активації Softmax визначає результат задачі класифікації. Результати дослідження. Побудована згорткова нейронна мережа на тестовій вибірці з 472 зображень має загальну точність класифікації у 83%, на класі «матове скло» - 90,1%, «бруківки» - 70,5%, «консолідація» – 54,2% та на робочій вибірці з 4714 ROI зображень має загальну точність у 98%, на класі «матове скло» - 98,6%, «бруківка» - 96,8%, «консолідація» – 95,4% Висновки. В роботі одержано модель з високою ефективністю класифікації типу уражень легень при COVID-19. Класифікатор побудовано на основі згорткової нейронної мережі та ознак текстури, джерелом яких є матриці суміжності областей інтересу КТ зображень легень. Ключові слова – GLCM, матриця суміжності, область інтересу, комп’ютерна томографія, COVID-19, згорткова нейронна мережа, ураження легень, матове скло, бруківка, консолідація.

У роботі представлено порівняльне оцінювання ефективності систем автоматизованої комп'ютерної діагностики, розроблених на основі двох класифікаторів — каскаду дескрипторів Хаара та AdaBoost, під час лапароскопічної діагностики апендициту та метастазів печінки. Для навчання використовували зображення, а також гама-кореговані та конвертовані у HSV шкалу кольори RGB зображення, отримані під час лапароскопічної діагностики. Дескриптори, що використовували для навчання класифікатора AdaBoost отримували за допомогою методу локального бінарного патерну, який включав інформаційні показники кольору, а також показники текстури. Після завершення навчання проводили тест оцінювання ефективності діагностики при якому використовували зображення, що не застосовували для навчання. Найбільш високим показник повноти (recall) був при тестовій діагностиці апендициту за допомогою навчання класифікатора AdaBoost дескрипторами модифікованого кольору локального бінарного патерну, отриманими з RGB зображень, — 0,745, а під час діагностики метастазів печінки — 0,902. Також коректність діагностики (accuracy) склала 74,4 % під час діагностики апендициту та 89,3 % при діагностиці метастазів печінки. Коректність діагностики із застосуванням класифікатора Хаара була найбільш високою за умови діагностики метастазів печінки та склала 0,672 при використанні RGB зображень, 0,723 — при навчанні HSV зображеннями. Діагностика із застосуванням класифікатора Хаара є менш ефективною порівняно з діагностикою, що здійснювалась із застосуванням класифікатора AdaBoost, навчання якого здійснювали із застосуванням дескрипторів модифікованого кольору локального бінарного патерну.

На прикладі гірського агроландшафтного середовища показано застосування технології дистанційного зондування Землі (ДЗЗ) до контролю зміни площ лісових угідь через їх вирубування. На підставі супутникового знімка QuickBird здійснено моделювання вирубок лісових угідь і отримано зображення територій з різними зонами вирубок. Зміни у структурі площ лісових угідь відбувається способом переміщення лінії розмежування "лісовий покрив – вирубка", за якого площі з лісового покриву переходять до зони вирубок. Доведено, що гістограмні характеристики RGB супутникового знімка QuickBird мають інформативність про зміни площ у структурі "лісовий покрив – вирубка". Показано, що величини медіан усіх RGB-каналів однозначно реагують на зміни площ лісового покрову. Найбільш чутливим до динаміки зміни площ з усіх RGB-каналів є канал Green. Фізичне пояснення цього процесу здійснено на підставі тестових фрагментів "лісовий покрив" і "вирубка". Встановлено, що завдяки різній текстурі "лісового покрову" і "вирубки" їхні гістограмні характеристики відрізняються зонами розміщення пікселів за яскравістю. Для фрагменту "лісовий покрив" основна частина пікселів у гістограмі зосереджена в діапазоні з кодом 0–100, тоді як для фрагменту "вирубка" вона зміщується вправо до діапазону 100–200. Більш однорідна текстура вирубок дає СКВ 24, що створює графік із чітко виразним екстремумом, який стає дедалі помітнішим із поширенням площі вирубок. Отримано аналітичну залежність між динамікою зміни площ ΔS на границі "лісовий покрив – вирубка" і кількості пікселів Nекстр, що припадає на екстремум за кількістю пікселів у діапазоні гістограми 100–200. Показано її достатньо високу чутливість, що дає змогу вирішувати задачі обліку зміни площ лісових угідь у структурі земельного фонду за характеристиками супутникового знімка.

Було розглянуто один з найбільших сегментів ринку програмних продуктів – відеоігри. Досліджено алгоритм створення мобільної гри. Висвітлено розробку під обрану платформу із використанням Android Studio, Cocos Studio, роботу об’єктного менеджера, обробку грою дій гравця. В ході розробки відеогри було показано її складові, а саме написання коду, створення контенту, розробка механік гри та тестування. Запропоновано алгоритм генерування об’єктів та результат зіткнення гравця з ними. Розкривається процес розробки відеоігри та розділення його на етапи. Описано алгоритм оптимізації зберігання та використання зображень. Досліджена якісна робота з пам’яттю, насамперед, на мобільних пристроях. Детально описані поняття сцени та спрайту, встановлено правила роботи зі сценами та зображеннями на екрані мобільного пристрою. Розглянуто два схожих за своїм підходом і в той же час принципово різних по результату алгоритми виявлення зіткнень об’єктів. Описаний програмний продукт включає в себе власноруч написаний рушій – рендерер. За теоретичну основу реалізації рендерингу було взято спрощений варіант рейтрейсингу – рейкастинг. Метод рейкастингу вибрано як оптимальний через його високу швидкодію при достатній якості відео. Було обрано крос-платформовий фреймворк, який використовується для розробки інтерактивних додатків та ігор. Розглянуто використання вбудованих в ігровий движок візуального редактора, готових модулів рендеринга, анімації спрайтів і обробки зіткнень, що дуже спрощує процес розробки. Описано структуру програмного продукту та ігрові класи сутностей, такі як персонаж, предмети. Наведено алгоритм реалізації методу рейкастингу і проведено відповідні математичні розрахунки для побудови променя. Змодельовано дизайн оформлення простору гри на основі карти, що задається, з додаванням текстур. Додатково розроблена можливість самостійної генерації рівнів. Ключові слова: розробка ігор, мобільний додаток, операційна система Android, алгоритм розробки мобільного додатку, рендерер, метод рейкастингу, крос-платформовий фреймворк

Було розроблено метод аналізу медичних термограм грудних залоз чоловіків для автоматизованого розпізнавання і класифікації патологічних процесів. Окремо фіксувалась термограма правої і лівої грудної залози та грудної клітини в цілому для порівняння термографічної картини. При цьому обирався спеціалізований режим тепловізора для використання розробленого програмного засобу на базі методу колірної порогової сегментації текстурних зображень.

У 2001 році Віола і Джонс запропонували алгоритм для розпізнавання осіб, який став проривом в області розпізнавання осіб. Метод використовує технологію ковзного вікна. Тобто рамка, розміром, меншим, ніж вихідне зображення, рухається з деяким кроком по зображенню, і за допомогою каскаду слабких класифікаторів визначає, чи є в даному вікні особа. Метод змінного вікно ефективно використовується в різних завданнях комп'ютерного зору і розпізнавання об'єктів