Browsing by Subject "brain"

Now showing 1 - 3 of 3

Access status: Restricted ,
Analiza morfologiczna i morfometryczna mózgu na podstawie obrazów T1-zależnych uzyskanych metodą rezonansu magnetycznego
(Data obrony: 2018-07-06) Złahoda-Huzior, Adriana
Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Access status: Open Access ,
Image segmentation algorithms for diagnosis support of hydrocephalus in children
(Wydawnictwa AGH, 2011) Węgliński, Tomasz; Fabijańska, Anna
Artykuł prezentuje wyniki badań nad wykorzystaniem algorytmów segmentacji obrazu na potrzeby wspomagania diagnostyki wodogłowia u dzieci. Prezentowana praca miała na celu porównanie efektywności wybranych metod segmentacji obrazu, wykorzystanych w celu precyzyjnego wyodrębnienia obszaru wodogłowia od zdrowej części mózgu. Dokładna segmentacja obrazu zmiany chorobowej oraz całego mózgu jest niezwykle istotna w późniejszej analizie porównawczej właściwości tych obszarów (takich jak rozmiar czy objętość). Proponowane metody stanowią podstawę do dalszego rozwoju systemu automatycznego wykrywania i analizy wodogłowia. W niniejszym artykule opisano oraz przedstawiono rezultaty zastosowania proponowanych algorytmów na rzeczywistych danych obrazowych pochodzących z tomografu komputerowego.
Access status: Open Access ,
Parkinson’s disease classification based on stacked denoising autoencoder
(Wydawnictwa AGH, 2023) Sukanya, P.; Srinivasa Rao, B.
One of the most common neurological conditions caused by gradual brain degeneration is Parkinson’s disease (PD). Although this neurological condition has no known treatment, early detection and therapy can help patients improve their quality of life. An essential patient’s health record is made of medical images used to control, manage, and treat diseases. However, in computerbased diagnostics, disease classification is a difficult task because of the time consumption and high rate of false positive marks. To overcome this problem, this paper introduces a stacked denoising autoencoder (SDA) for Parkinson’s disease classification. In preprocessing, noise is reduced and important information is retained, resulting in increased performance and data augmentation is performed to avoid overfitting issues and increase the size of the dataset. The main aim of this paper is to derive an optimal feature selection design for an effective Parkinson’s disease classification. Improved Pigeon-Inspired Optimization (IPIO) algorithm is introduced to enhance the performance of the classifier. Thus, the classification result improved by the optimal features and also increased the sensitivity, accuracy, and specificity in the medical image diagnosis. The proposed scheme is implemented in PYTHON and compared with traditional feature selection models and other classification approaches. The efficacy of the performances is evaluated using a Parkinson’s Progression Markers Initiative (PPMI) dataset. The integration of the stacked denoising autoencoder and Improved pigeon inspired optimization method produced the greatest results, with 99.17% accuracy, 98.74% sensitivity, and 98.96% specificity. Furthermore, our finding outperforms the most recent research in the field.