ΜΕΘΟ ΟΙ ΕΞΑΓΩΓΗΣ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΥΦΗΣ ΓΙΑ ΑΝΙΧΝΕΥΣΗ ΑΣΤΕΡΟΕΙ ΩΝ ΜΑΖΩΝ ΣΤΗ ΜΑΣΤΟΓΡΑΦΙΚΗ ΕΙΚΟΝΑ
|
|
- Διδώ Γεννάδιος
- 8 χρόνια πριν
- Προβολές:
Transcript
1 ΜΕΘΟ ΟΙ ΕΞΑΓΩΓΗΣ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΥΦΗΣ ΓΙΑ ΑΝΙΧΝΕΥΣΗ ΑΣΤΕΡΟΕΙ ΩΝ ΜΑΖΩΝ ΣΤΗ ΜΑΣΤΟΓΡΑΦΙΚΗ ΕΙΚΟΝΑ
2 ΠΕΡΙΕΧΟΜΕΝΑ Εισαγωγή Σηµασία της µαστογραφίας Ανατοµία του µαστού Αλλοιώσεις µαστού (Αποτιτανώσεις-Μάζες) Ανασκόπηση Σκοπός της εργασίας Υλικά και Μέθοδοι είγµα µαστογραφικών εικόνων Χαρακτηριστικά εικόνας Μέθοδοι εξαγωγής χαρακτηριστικών 1 η µέθοδος: Από στατιστική 1 ης τάξης χαρακτηριστικά υφής Χαρακτηριστικά κατεύθυνσης 2 η µέθοδος: Από στατιστική 2 ης τάξης χαρακτηριστικά υφής 1 η τεχνική: Αρχικές Εικόνες και Sobel φίλτρο 2 η τεχνική: 2- Wavelet µετασχηµατισµός Αξιολόγηση της διακριτικής ικανότητας των χαρακτηριστικών Συµπεράσµατα Μελλοντικά σχέδια Βιβλιογραφία Κρυστάλλη Μαρία 2
3 Σηµασία µαστογραφίας Ο καρκίνος του µαστού αποτελεί το συχνότερο νεόπλασµα στις γυναίκες και αντιπροσωπεύει το 25% όλων των νεοπλασµάτων στο γυναικείο φύλο. Η πρώιµη διάγνωση και θεραπεία, παίζουν τον πιο καθοριστικό ρόλο στην αύξηση των πιθανοτήτων επιβίωσης. Η µαστογραφία αποτελεί την πιο αποτελεσµατική διαγνωστική µέθοδο για την έγκαιρη ανίχνευση του καρκίνου του µαστού. Η ανάλυση µαστογραφικής εικόνας ενισχύεται: Ψηφιακή ανάλυση µαστογραφικής εικόνας Ψηφιακή µαστογραφία Άλλες απεικονιστικές µέθοδοι του µαστού είναι: Υπερηχογράφηµα Μαγνητική µαστογραφία Μαστογραφία εκποµπής ποζιτρονίου Κρυστάλλη Μαρία 3
4 Ανατοµία του µαστού Ο γυναικείος µαστός αποτελείται κυρίως από λιπώδη και συνδετικό ιστό. Παρατηρούνται αλλοιώσεις του µαστού που δεν χαρακτηρίζονται πάντα ως κακοήθειες. Βασικά ανατοµικά χαρακτηριστικά του µαστού Κρυστάλλη Μαρία 4
5 Αλλοιώσεις του µαστού: Αποτιτανώσεις Μάζες Αλλοιώσεις του µαστού Αποτιτανώσεις Μάζες Είναι µικρές εναποθέσεις ασβεστίου. Μάκρο-αποτιτανώσεις Μίκρο-αποτιτανώσεις Ποικίλουν ως προς το µέγεθος, το σχήµα και την πυκνότητα. Παρουσιάζουν σηµαντική σχέση ως προς την πυκνότητα µε τον περιβάλλοντα ιστό. Κρυστάλλη Μαρία 5
6 Αλλοιώσεις του µαστού: Μάζες Μάζες Ανάλογα µε το σχήµα Στρογγυλό /σφαιρικό Οβάλ /ελλειπτικό Λοβωτό (1obulated) Ανώµαλο όταν το σχήµα µιας µάζας δεν µπορεί να χαρακτηριστεί µε κανέναν από τους παραπάνω τρόπους. Ανάλογα µε το περίγραµµα Περιγεγραµµένη (circumscribed) τα όρια µεταξύ της αλλοίωσης και του περιβάλλοντος ιστού είναι σαφώς ορισµένα. Αµυδρή (obscured) τα όρια δεν διακρίνονται καθαρά και δεν µπορεί να γίνει σίγουρη διάγνωση. Απροσδιόριστη (ill-defined) τελείως αδιάκριτα όρια. Αστεροειδής (stellate/spiculated) γραµµές περιβάλλουν κυκλικά τη µάζα, µε κατεύθυνση ακτινική. Κρυστάλλη Μαρία 6
7 Αλλοιώσεις του µαστού: Μάζες ύο από τα βασικά είδη µαζών: περιγεγραµµένη µάζα αστεροειδής µάζα Περιγεγραµµένη µάζα (αριστερά), Αστεροειδής µάζα (δεξιά) ΣΗΜΕΙΩΣΗ: Οι µάζες που είναι περισσότερο ύποπτες για κακοήθεια είναι αυτές που ανήκουν στην κατηγορία των περιγεγραµµένων και των αστεροειδών µαζών Κρυστάλλη Μαρία 7
8 Ανίχνευση και χαρακτηρισµός µαζών Πρόβληµα: υσδιάκριτες αλλοιώσεις παρουσία µαστογραφικά πυκνού παρεγχύµατος. Π.χ. Οι µάζες, είναι συνήθως πολύ µικρές σε µέγεθος ή/και έχουν χαµηλή αντίθεση λόγω ίδιου συντελεστή απορρόφησης µε το παρέγχυµα. Αποτέλεσµα: ψευδώς αρνητικές διαγνώσεις ψευδώς θετικές διαγνώσεις Κρυστάλλη Μαρία 8
9 Ανασκόπηση Κρυστάλλη Μαρία 9
10 Ανασκόπηση Κρυστάλλη Μαρία 10
11 Σκοπός της εργασίας Ο στόχος αυτής της µελέτης είναι η διαφοροποίηση αστεροειδών µαζών, που είναι ενσωµατωµένες σε πυκνό παρέγχυµα, από τον φυσιολογικό πυκνό ιστό, µε χρήση ανάλυσης εικόνας. Εξαγωγή χαρακτηριστικών υφής από στατιστική 1 ης και 2 ης τάξης καθώς και χαρακτηριστικών κατεύθυνσης. Αξιολόγηση της διακριτικής ικανότητας των χαρακτηριστικών. Σύγκριση της διακριτικής ικανότητας των χαρακτηριστικών από αρχικές και υποεικόνες µετασχηµατισµού wavelet. Κρυστάλλη Μαρία 11
12 είγµα µαστογραφικών εικόνων Αποτελείται από µαστογραφικές εικόνες (DDSM, 100µm ανάλυση και 12bits βάθος εικονοστοιχείου) που περιέχουν πυκνό φυσιολογικό ιστό και αστεροειδείς µάζες διαφορετικών µεγεθών µε λίγες έως πολλές ακτινωτές προσεκβολές 52 ROIs µε φυσιολογικό ιστό Πυκνό παρέγχυµα Ετερογενώς πυκνό παρέγχυµα 64 ROIs µε µάζες (χαµηλής αντίθεσης, υψηλός δείκτη δυσκολίας ανίχνευσης: subtlety 1,2,3 κατά DDSM) Κρυστάλλη Μαρία 12
13 Παρατηρώντας το ROI της φυσιολογικής εικόνας (a) φαίνεται ότι είναι πυκνό ROI, χαµηλής αντίθεσης όπως και το ROI της παθολογικής εικόνας (b). Συνέπεια: Υψηλός δείκτης δυσκολίας ανίχνευσης και χαρακτηρισµού αστεροειδούς µάζας. B_3058_1.RIGHT_CC B_3076_1.LEFT_MLO Παράδειγµα µάζας χαµηλής ανιχνευσιµότητας Κρυστάλλη Μαρία 13
14 Χαρακτηριστικά εικόνας Χρησιµοποιούνται για να περιγράψουν και να διαχωρίσουν αντικείµενα εικόνας. Κατηγορίες χαρακτηριστικών: Χαρακτηριστικά χώρου (spatial features) Ροπές ιστογράµµατος Χαρακτηριστικά υφής (texture features) Γεωµετρικά χαρακτηριστικά (geometrical features) Χαρακτηριστικά από µετασχηµατισµό (transform features) Στην εργασία ασχοληθήκαµε µε: Χαρακτηριστικά υφής (texture features) Από στατιστική 1 ης τάξης Mean, Std,από αρχικές εικόνες και approximations υποεικόνες (wavelet) ALOE, Stdfold, (χαρακτηριστικά κατεύθυνσης) από εικόνες φάσης (Sobel, wavelet) Από στατιστική 2 ης τάξης (Haralick [27] και R.Walker [32] ) Κρυστάλλη Μαρία 14
15 Μέθοδοι εξαγωγής χαρακτηριστικών ΑΡΧΙΚΗ ΕΙΚΟΝΑ ΕΠΙΛΟΓΗ ROI 2 ης τάξης χαρακτηριστικά Haralick [27] και R.Walker [32] Mean, Std Μετασχηµατισµός Wavelet Approximation υποεικόνες Magnitude υποεικόνες Phase υποεικόνες S o b e l Phase ALOE, Stdfold Mean, Std 2 ης τάξης χαρακτηριστικά Haralick [27] και R.Walker [32] ALOE, Stdfold Κρυστάλλη Μαρία 15
16 Από στατιστική 1 ης τάξης χαρακτηριστικά υφής (Προκύπτουν από το ιστόγραµµα αρχικών ROIs και approximation subrois) Για κάθε εικονοστοιχείο (i,j) εξάγεται ένα σύνολο από χαρακτηριστικά που είναι σχεδιασµένα να διαφοροποιούν τις µάζες (κυρίως αστεροειδείς) από τον φυσιολογικό ιστό. N(i,j): η γειτονιά γύρω από το εικονοστοιχείο από την οποία εξάγονται τα χαρακτηριστικά. Τα χαρακτηριστικά που χρησιµοποιούµε σύµφωνα µε την µέθοδο αυτή είναι: Μέση τιµή της φωτεινότητας εικονοστοιχείων f (i, j) (Mean): Όπου Κ: ο αριθµός των εικονοστοιχείων. ( i= γραµµή, j= στήλη) και f(m,n): οι χαµηλής συχνότητας wavelet συντελεστές (approximation image) στη θέση (m,n) Τυπική απόκλιση της φωτεινότητας εικονοστοιχείων (Standard Deviation): Κρυστάλλη Μαρία 16
17 Standard Deviation of Gradient-Orientation Histogram ALOE (Προκύπτει από το ιστόγραµµα της εικόνας φάσης-κατευθυντικό ιστόγραµµα) Τυπική απόκλιση ιστογράµµατος των κατευθύνσεων βάθµωσης (Standard Deviation of Gradient-Orientation Histogram) (Analysis of Local Oriented Edges ALOE) [10] θ(i,j)=arctan(d y (i,j)/ d χ (i,j)): η κατεύθυνση της βάθµωσης στο σηµείο (i,j) µε τιµές(-π/2,π/2), όπου d y (i,j) και d χ (i,j): η κάθετη και οριζόντια συνιστώσα της βάθµωσης στο σηµείο (i,j) αντίστοιχα hist ij : το ιστόγραµµα των κατευθύνσεων θ στο Ν(i,j) χρησιµοποιώντας 256 τµήµατα (bins) hist i,j (n): ο αριθµός των εικονοστοιχείων στο Ν(i,j) µε θє(-π/2+nπ/256, -π/2+(n+1)π/256), όπου n=0,1,2, 255. και : Το µέσο ύψος του ιστογράµµατος Κρυστάλλη Μαρία 17
18 Φυσική σηµασία χαρακτηριστικού ALOE (a): Κατευθύνσεις ακµών για µια αστεροειδή περιοχή και για φυσιολογική περιοχή (b): Gradient orientation histogram (c): Αντιστοίχηση προσανατολισµών E, N, W, S µε γωνίες Αστεροειδής µάζα: ακανόνιστο κέντρο που περιβάλλεται από προσεκβολές οι οποίες εκτείνονται προς όλες τις κατευθύνσεις. Φυσιολογικές περιοχές: τείνουν να έχουν παρόµοιες κατευθύνσεις βάθµωσης. Κρυστάλλη Μαρία 18
19 Παράδειγµα εξαγωγής χαρακτηριστικού ALOE Tα ιστογράµµατα κατευθύνσεων βάθµωσης (c και d) προέκυψαν από τους συντελεστές φάσης του µετασχηµατισµού wavelet στην 3η κλίµακα. Στον οριζόντιο άξονα δεν παρουσιάζουµε πλέον τους προσανατολισµούς µε τα γράµµατα E, Ν, W και S και αλλά έχει γίνει αντιστοίχησή τους µε γωνίες και µάλιστα από π έως π, τα οποία σηµειώνονται σαν -3 έως 3. Κατευθυντικά ιστογράµµατα για περιοχή φυσιολογικού ιστού (a) και αστεροειδούς µάζας (b) Κρυστάλλη Μαρία 19
20 Standard Deviation of Folded gradient orientation Stdfold (Προκύπτει από την εικόνα φάσης) Τυπική απόκλιση των αναδιπλωµένων κατευθύνσεων βάθµωσης (Standard Deviation of folded gradient orientation) Αν ΚΡ και ΚΝ: ο αριθµός των θετικών και αρνητικών κατευθύνσεων βάθµωσης στο Ν(i,j) αντίστοιχα ο µέσος όρος των θετικών και αρνητικών κατευθύνσεων ορίζεται: Και η αναδιπλωµένη κατεύθυνση βάθµωσης ορίζεται: Φυσική σηµασία του χαρακτηριστικού Stdfold Η µετατροπή από θ σε β είναι απαραίτητη για τον υπολογισµό του χαρακτηριστικού σ β που µελετάµε ώστεγιααστεροειδείςµάζες να προκύπτουν παρόµοιες τιµές. Ακόµα και αν όλα τα β περιστραφούν κατά µια γωνία α, η τιµή του χαρακτηριστικού σ β θα παραµείνει η ίδια, παρόλο που οι αναδιπλώσεις θα είναι διαφορετικές. Κρυστάλλη Μαρία 20
21 Επιστηµονικό εργαλείο επεξεργασίας εικόνων Για την εξαγωγή των προαναφερθέντων χαρακτηριστικών έγινε χρήση ενός επιστηµονικού εργαλείου το οποίο υλοποιήθηκε σε γλώσσα προγραµµατισµού C, στο Εργαστήριο Ιατρικής Φυσικής. Το περιβάλλον του εργαλείου αυτού φαίνεται παρακάτω: Κρυστάλλη Μαρία 21
22 Από στατιστική 2 ης τάξης χαρακτηριστικά υφής (Προκύπτουν από τα αρχικά ROIs και magnitude subrois) Αυτή η µέθοδος είναι βασισµένη στην εξαγωγή χαρακτηριστικών υφής σύµφωνα µε τον Haralick [27] και R.Walker [32]. Χρησιµοποιούνται κάποιοι πίνακες-µήτρες γνωστοί ως Spatial Gray Level Co-occurrence Matrices (SGLCM), οι οποίοι χαρακτηρίζουν την χωρική κατανοµή των διαβαθµίσεων του γκρι των εικονοστοιχείων σε µια εικόνα. Ο υπολογισµός των χαρακτηριστικών πραγµατοποιείται στις διευθύνσεις θ=0 ο, 45 ο, 90 ο, 135 ο και για απόσταση d=1 pixel (4 SGLCMs) 14 χαρακτηριστικά από κάθε SGLCM. Mean και range για κάθε χαρακτηριστικό. Κρυστάλλη Μαρία 22
23 Από στατιστική 2 ης τάξης χαρακτηριστικά υφής Εξάγονται τα εξής χαρακτηριστικά υφής (MATLAB) Κρυστάλλη Μαρία 23
24 Από στατιστική 2 ης τάξης χαρακτηριστικά υφής Κρυστάλλη Μαρία 24
25 1 η τεχνική Κρυστάλλη Μαρία 25
26 2 η τεχνική Κρυστάλλη Μαρία 26
27 2- Wavelet µετασχηµατισµός «Ξεχωρίζει» τις διαφορετικών ευρών ζώνης χωρικές συχνότητες και τις αναλύει µε διαφορετικό τρόπο. Προσαρµόζεται στην ανίχνευση µαζών διαφορετικού µεγέθους. Ο όρος scale=κλίµακα s, είναι το αντίστροφο µέγεθος της συχνότητας. Υποεικόνες υψηλών scales αντιστοιχούν σε χαµηλές συχνότητες, ενώ Υποεικόνες χαµηλών scales δίνουν τις λεπτοµέρειες της εικόνας. Η επεξεργασία µιας εικόνας µέσω wavelet µπορεί να ερµηνευθεί ως µια διαδικασία φιλτραρίσµατος της εικόνας. Χρήση του µετασχηµατισµού wavelet µε τα φίλτρα Mallat [26] όπου η κλίµακα s ποικίλει µόνο κατά µήκος της δυαδικής ακολουθίας 2j, jєζ και η γκαουσσιανή συνάρτηση αντικαθίσταται από την παρόµοια οµαλή κυβική συνάρτηση (cubic spline) θ(x). Τα φίλτρα αυτά προσφέρουν ακριβή ανακατασκευή εικόνας γιατί δεν χρησιµοποιούν υποδειγµατοληψία στις εικόνες και γρήγορη ταχύτητα εκτέλεσης. Κρυστάλλη Μαρία 27
28 2- Wavelet µετασχηµατισµός Η 1 η υποεικόνα περιλαµβάνει κυρίως το background της εικόνας (approximations). Αντιστοιχεί στις χαµηλότερες συχνότητες. Οι υπόλοιπες υποεικόνες αντιστοιχούν σε υψηλότερες συχνότητες και περιλαµβάνουν τις λεπτοµέρειες της εικόνας (details). Τις κάθετες, οριζόντιες ακµές, και ως προς τις δύο κατευθύνσεις ακµές, την φάση. Κρυστάλλη Μαρία 28
29 Αξιολόγηση της διακριτικής ικανότητας χαρακτηριστικών Ησυνάρτηση που χρησιµοποιούµε για τον σκοπό αυτό είναι η TTEST. Είναι µια δόκιµη µέθοδος για την αξιολόγηση της διακριτικής ικανότητας ανεξάρτητων χαρακτηριστικών. Μέσω της στατιστικής ανάλυσης όσα χαρακτηριστικά δίνουν τιµή πιθανότητας µικρότερη του 0,05 (p-value<0,05), θεωρείται ότι µπορούν να διαχωρίσουν µάζες από φυσιολογικό ιστό αποτελεσµατικά. Κρυστάλλη Μαρία 29
30 Αξιολόγηση της διακριτικής ικανότητας χαρακτηριστικών Ο µέσος όρος των τιµών των χαρακτηριστικών: Η µέση τιµή του χαρακτηριστικού Aloe, Std, StdFold είναι µικρότερη για τις φυσιολογικές εικόνες από την αντίστοιχη των παθολογικών. Το αντίθετο παρατηρείται για το χαρακτηριστικό Mean (χρήση ROI γειτονίας και όχι περιοχών που αντιστοιχούν σε τµηµατοποίηση του ορίου της) Κρυστάλλη Μαρία 30
31 Αξιολόγηση της διακριτικής ικανότητας χαρακτηριστικών Mean και Standard deviation of gray level histogram (Std): διαφοροποιούν µάζες από πυκνό φυσιολογικό παρέγχυµα Το χαρακτηριστικό Standard Deviation of folded gradient orientation (Stdfold) ειδικεύεται στον διαχωρισµό spiculated µαζών από φυσιολογικό ιστό, σε συµφωνία µε τους Kegelmeyer [10] και Liu [13]. Όσο µεγαλώνει η κλίµακα τόσο καλύτερα ανταποκρίνεται το χαρακτηριστικό αυτό, δηλαδή τόσο αποτελεσµατικότερη διακριτική ικανότητα έχει. Κρυστάλλη Μαρία 31
32 Αξιολόγηση της διακριτικής ικανότητας χαρακτηριστικών Tο χαρακτηριστικό Standard Deviation of gradient-orientation histogram (Aloe) φαίνεται να µην είναι ικανό να διαχωρίσει µάζες από φυσιολογικό ιστό. Περιοχές οµοιογενώς πυκνού φυσιολογικού ιστού (a) και αστεροειδούς µάζας (b). Κατευθυντικά ιστογράµµατά τους αντίστοιχα (c και d). Περιοχές ετερογενώς πυκνού φυσιολογικού ιστού (e) και αστεροειδούς µάζας (f). Κατευθυντικά ιστογράµµατά τους αντίστοιχα (g και h). Κρυστάλλη Μαρία 32
33 Αξιολόγηση της διακριτικής ικανότητας χαρακτηριστικών Όσο αυξάνεται η κλίµακα περισσότερα είναι τα χαρακτηριστικά που µπορούν να διαφοροποιήσουν µάζες από φυσιολογικό πυκνό ιστό. Γιατί όπως οι µάζες και ο φυσιολογικός ιστός έχουν χαµηλής συχνότητας περιεχόµενα µε αποτέλεσµα να γίνεται η διαφοροποίηση µε µεγάλη δυσκολία. Όσο αυξάνεται η κλίµακα οι διαφορές µεταξύ των µαζών και του φυσιολογικού ιστού αρχίζουν να αποκαλύπτονται. Κρυστάλλη Μαρία 33
34 Αξιολόγηση της διακριτικής ικανότητας χαρακτηριστικών Χαρακτηριστικά όπως Correlation, Sum Variance, Information measure of correlation 2 στις αρχικές εικόνες αλλά και σε διάφορες κλίµακες, διαφοροποιούν µάζες από φυσιολογικό ιστό, ένα αποτέλεσµα που έρχεται σε συµφωνία µε µελέτες που έχουν γίνει στην multiresolution texture analysis of breast masses [11,12]. Κρυστάλλη Μαρία 34
35 Αξιολόγηση της διακριτικής ικανότητας χαρακτηριστικών Όσο µεγαλώνει η κλίµακα των µετασχηµατισµένων εικόνων περισσότερα είναι εκείνα τα χαρακτηριστικά των οποίων το mean και range δείχνουν ότι είναι αποτελεσµατικά στην διάκριση µαζών από φυσιολογικό ιστό. Κρυστάλλη Μαρία 35
36 Αξιολόγηση της διακριτικής ικανότητας χαρακτηριστικών Το χαρακτηριστικό Contrast στην τέταρτη κλίµακα και το mean και το range αυτού διακρίνουν το παθολογικό από το φυσιολογικό. Μεγάλες τιµές του Contrast δηλώνουν ανοµοιογένεια, δηλαδή ένδειξη παθολογικού περιστατικού, ενώ µικρές τιµές δηλώνουν οµοιογένεια. Άλλωστε τα περιστατικά που χρησιµοποιήθηκαν σε αυτήν την εργασία είναι χαµηλής αντίθεσης και µάλιστα µε δυσκολία ανίχνευσης subtle 1,2,3 Κρυστάλλη Μαρία 36
37 Αξιολόγηση της διακριτικής ικανότητας χαρακτηριστικών Υπάρχουν χαρακτηριστικά που µόνο στην τέταρτη κλίµακα έχουν καλή διακριτική ικανότητα, όπως για παράδειγµα το mean και range του Shade, το range του Sum Variance. Κρυστάλλη Μαρία 37
38 Συµπεράσµατα Ένα σύνολο χαρακτηριστικών µελετήθηκαν ως προς την ικανότητά τους να διαφοροποιούν αστεροειδείς µάζες από πυκνό φυσιολογικό ιστό, η οποία είναι υψηλών απαιτήσεων διαδικασία διαφοροποίησης. Από τα χαρακτηριστικά που µελετήθηκαν τα multiresolution χαρακτηριστικά έχουν αυξηµένη διακριτική ικανότητα. Κρυστάλλη Μαρία 38
39 Μελλοντικά σχέδια Αύξηση του δείγµατος και εµπλουτισµός του και µε άλλα είδη µαζών όπως είναι οι circumscribed µάζες. Θα µπορέσει να ελεγχθεί ποια χαρακτηριστικά έχουν καλύτερη διακριτική ικανότητα για οποιοδήποτε είδος µαζών. Χρήση άλλων µεθόδων για επιλογή των βέλτιστων χαρακτηριστικών (π.χ. PCA). Χρήση ταξινοµητή µε είσοδο τα χαρακτηριστικά µε την καλύτερη διακριτική ικανότητα. Θα είναι δυνατόν να γίνεται αυτόµατη εκτίµηση της πιθανότητας να πρόκειται πράγµατι για παθολογικό ή φυσιολογικό περιστατικό. Κρυστάλλη Μαρία 39
40 Βιβλιογραφία [1] Greenlee, R.T., Hill-Harmon M.B., Murray, T., and Thun, M. (2001), Cancer statistics, CA Cancer J. Clin., Vol. 51, pp [2] Heine, J., Malhotra, P. (2002), Mammographic tissue, breast cancer risk, serial image analysis and digital mammography, Acad. Radiol., Vol. 9, pp [3] Dahnert, W. (1996), Breast, Radiology Review Manual. Dahnert, W. (ed). Williams and Wilkins, Baltimore, pp [4] Costaridou, L., Skiadopoulos, S., Sakellaropoulos, P., Kalogeropoulou, C.P., Likaki, E. and Panayiotakis G. (2005), Evaluating the effect of a wavelet enhancement method in characterization of simulated lesions embedded in dense breast parenchyma, Eur. Radiol. (in press, DOI: /S ). [5] Karssemeijer, N. (2002), Detection of masses in mammograms, Image-Processing Techniques for Tumor Detection, Strickland, R.N (ed), Marcel Dekker Inc., New York, pp [6] Sahiner, B., Chan, H-P, Petrick, N., Helvie, M.A. and Goodsitt, M. (1998), Computerized characterization of masses on mammograms: The rubber band straightening transform and texture analysis, Med. Phys., Vol. 25, pp [7] Sahiner, B., Chan, H-P, Petrick, N., Helvie. M.A and Hadjiiski. L.M. (2001), Improvement of mammographic mass characterization using speculation measures and morphological features, Med. Phys., Vol. 28, pp [8] Pisano, E.D., Cole, E.B., Hemminger, B.M. et al. (2000), Image processing algorithms for digital mammography: A pictorial essay, RadioGraphics, Vol. 20, [9] Chan, H-P., Sahiner, B., Petrick, N., Hadjiiski, L. and Paquerault, S. (2005), Computer-aided diagnosis of breast cancer, Medical Image Analysis Methods, Costaridou, L. (ed), Taylor & Francis, LCC, CRC Press (in press). [10] Kegelmeyer, J., Pruneda, J.M., Bourland, P.D., Hillis, A., Riggs, M.W. and Nipper, M.L. (1994), Computer-aided mammographic screening for spiculated lesions, Radiology, Vol. 191, pp [11] Wei, D., Chan, H-P., Helvie, M.A., Sahiner, B., Petrick, N., Adler, D.D. and Goodsitt, M.M. (1995), Classification of mass and normal breast tissue on digital mammograms: Multiresolution texture analysis, Med. Phys., Vol. 22. pp [12] Wei, D., Chan, H-P., Petrick, N., Sahiner, B., Helvie, M.A., Adler, D.D. and Goodsitt, M.M. (1997), False-positive reduction technique for detection of masses on digital mammograms: Global and local multiresolution texture analysis, Med. Phys., Vol 24, pp [13] Liu, S., Babbs, C.F., and Delp, E.J. (2001), Multiresolution detection of spiculated lesions in digital mammograms, IEEE Trans. Image Proc, Vol. 10, pp [14] Petrick, N., Chan, H-P., Wei, D., Sahiner, B., Helvie, M.A. and Adler, D.D. (1996), Automated detection of breast masses on mammograms using adaptive contrast enhancement and texture classification, Med. Phys., Vol. 23, pp [15] Kobatake, H., Murakami, M, Takeo, H. and Nawano, S. (1999), Computerized detection of malignant tumors on digital mammograms, IEEE Trans. Med. Imaging, Vol. 18, pp [16] te Brake, G.M, Karrssemeijer, N. and Hendriks, J.H.C.L. (2000), An automatic method to discriminate malignant masses from normal tissue in digital mammograms, Med. Phys. Biol., Vol. 45, pp [17] Zwiggelaar, R., Parr, T.C., Schumm, J.E., Hutt, I.W., Taylor C.J., Astley, S.M. and Boggis, C.R.M. (1999), Model-based detection of spiculated lesions in mammograms, Medical Image Analysis, Vol. 3 pp [18] Christoyianni, I., Koutras, A, Dermatas, E and Kokkinakis, G. (2002), Computer aided diagnosis of breast cancers in digitized mammograms, Comp. Med. Imaging Graphics, Vol. 26, pp Κρυστάλλη Μαρία 40
41 Βιβλιογραφία [19] Costaridou, L. (2005), Softcopy display of mammograms, ECR 2005, Book of Abstracts, Eur. Radiol., Vol. 15 (Suppl. 1), pp [20] Costaridou, L., Skiadopoulos, S., Karahaliou, A., Sakellaropoulos, P. and Panayiotakis G. (2005), On the lesion specific enhancement hypothesis in mammography, Accepted for the 14th International Conference in Medical Physics, Nuremberg, Germany, September. [21] Laine, A., et al. (1994), Mammographic feature enhancement by multiscale analysis, IEEE Trans. Med. Imaging, Vol. 13, pp [22] Sakellaropoulos, P., Costaridou, L., and Panayiotakis, G. (2003), A wavelet-based spatially adaptive method for mammographic contrast enhancement, Phys. Med. Biol., Vol. 48, pp [23] Costaridou, L., Sakellaropoulos, P., Skiadopoulos, S. and Panayiotakis, G. (2005), Locally adaptive wavelet contrast enhancement, Medical Image Analysis Methods, Costaridou L. (ed), Taylor & Francis, LCC, CRC Press (in press). [24] Costaridou, L., Sakellaropoulos, P., Stefanoyiannis, A., Ungureanu, E. and Panayiotakis G. (2001), Quantifying image quality at breast periphery vs. mammary gland in mammography using wavelet analysis, Br. J. Radiol., Vol. 74, pp [25] Chang, C-M, and Laine, A. (1999), Coherence of multiscale features for enhancement of digital mammograms, IEEE Trans. Inform. Tech. Biom., Vol. 3, pp [26] Mallat, S. (1998), A Wavelet Tour of Signal Processing, Academic Press, London. [27] Haralick, R.M., Shanmugam, K., Dinstein, I. (1973), Textural features for image classification, IEEE Trans. Syst. Man. Cybern., SMC-3, pp [28] Heath, M., et al. (2000), The digital database for screening mammography, Proceedings of 5th International Workshop on Digital Mammography, Yaffe, M.J. (ed), Medical Physics Publishing, Madison, WI, [29] DDSM: Digital Database for Screening Mammography, Internet URL: [30] Sakellaropoulos, P., Costaridou, L. and Panayiotakis, G. (1999), An image visualization tool in mammography, Med. Inform., Vol. 24, pp [31] Sakellaropoulos, P., Costaridou, L. and Panayiotakis, G. (2000), Using component technologies for web based wavelet enhanced mammographic image visualization, Med. Inform., Vol. 25, pp [32] R. Walker, P. Jackway, I.D. Longstaff, Proc. 3rd Conference on Digital Image Computing: Techniques and Application DICTA95, Brisbane, Australia, 6-8th December, pp [33] Ohanian, P. and Dubes, R., (1992), Performance evaluation for four classes of textural features, Pattern Recognition, Vol. 25, No. 8, pp [34] Mallat S, Zhong S.(1992), Characterisation of signals from multiscale edges, IEEE Trans. Pat. Anal. Machine Intell., 14: [35] Strickland RN, Hahn HH. (1997) Wavelet transform methods for object detection and recovery, IEEE Trans. Med. Imaging, 6: [36] A. Laine, J. Fan, S. Schuler, A framework for contrast enhancement by dyadic wavelet analysis, Computer and Information Science department, University of Florida. [37] B. Sahiner, Chan, D. Wei, N. Petrick, (1995), Image feature selection by a genetic algorithm: Application to classification of mass and normal breast tissue, Department of Radiology, pp [38] Lena I. Costaridou, Philipos N. Sakellaropoulos, Maria A. Kristalli, Spyros G. Skiadopoulos, Anna N. Karahaliou, Ioannis S. Boniatis and George S. Panayiotakis Μultiresolution feature analysis for differentiation of breast masses from normal tissue,department of Medical Physics, University of Patras, 1stInternational Conference on Experiments/Process/System Modelling/Simulation/Optimization, 1st IC-EpsMsO, Athens, 6-9 July, 2005 Κρυστάλλη Μαρία 41
42 2 η µέθοδος: 2 ης τάξης χαρακτηριστικά υφής Παράδειγµα υπολογισµού SGLCM πινάκων Έστω µια εικόνα 4x4 µε 4 τόνους του γκρι. N g xn g είναι ο αριθµός τόνων της εικόνας. Ενώ d είναι η απόσταση µεταξύ των pixels των οποίων οι τιµές συγκρίνονται. Έστω d=1. Υπολογίζονται οι πίνακες SGLCM για θ=0 o, 45 o, 90 o, 135 o. Κρυστάλλη Μαρία 42
43 2 η µέθοδος: 2 ης τάξης χαρακτηριστικά υφής Παράδειγµα υπολογισµού SGLCM πινάκων Κάθε µια από αυτές τις µήτρες κανονικοποιείται αφού διαιρείται µε R, όπου R είναι το άθροισµα των στοιχείων κάθε µιας από τις µήτρες που προκύπτουν. Από αυτές τις µήτρες προκύπτουν χαρακτηριστικά όπως: Energy, Correlation Entropy, Inertia (contrast), Sum average κτλ. Κρυστάλλη Μαρία 43
Χαρακτηρισµός Νεοπλασµάτων στη Μαστογραφία από το Σχήµα της Παρυφής µε χρήση Νευρωνικών ικτύων
Χαρακτηρισµός Νεοπλασµάτων στη Μαστογραφία από το Σχήµα της Παρυφής µε χρήση Νευρωνικών ικτύων Χ. Γεωργίου 1 (xgeorgio@hol.gr),. Κάβουρας 2 (cavouras@hol.gr), Ν. ηµητρόπουλος 3, Σ. Θεοδωρίδης 1 (stheodor@di.uoa.gr)
Διαβάστε περισσότεραΕυφυές Σύστημα Ανάλυσης Εικόνων Μικροσκοπίου για την Ανίχνευση Παθολογικών Κυττάρων σε Εικόνες Τεστ ΠΑΠ
Ευφυές Σύστημα Ανάλυσης Εικόνων Μικροσκοπίου για την Ανίχνευση Παθολογικών Κυττάρων σε Εικόνες Τεστ ΠΑΠ ΚΩΔΙΚΟΣ MIS: 346961 Φορέας Υποβολής: Πανεπιστήμιο Ιωαννίνων - Τμήμα Πληροφορικής Φορέας Χρήστης:
Διαβάστε περισσότεραΥπολογιστική Ανάλυση παθολογιών γονάτου με την χρήση εικόνων MRI
ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ "ΤΕΧΝΟΛΟΓΙΕΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΗΝ ΙΑΤΡΙΚΗ ΚΑΙ ΤΗ ΒΙΟΛΟΓΙΑ"
Διαβάστε περισσότεραΥποβοήθηση Διάγνωσης Καρκίνου του Μαστού με Μέθοδο Ανάκτησης Εικόνας Βάσει Περιεχομένου
ΔΡΑΣΗ ΕΘΝΙΚΗΣ ΕΜΒΕΛΕΙΑΣ«ΣΥΝΕΡΓΑΣΙΑ 2011» ΕΥΡΩΠΑΪΚΗ ΕΝΩΣΗ ΕΥΡΩΠΑΪΚΟ ΤΑΜΕΙΟ ΠΕΡΙΦΕΡΕΙΑΚΗΣ ΑΝΑΠΤΥΞΗΣ Υπουργείο Παιδείας και Θρησκευμάτων ΓΓΕΤ ΕΥΔΕ-ΕΤΑΚ Ε. Π. Ανταγωνιστικότητα και Επιχειρηματικότητα (ΕΠΑΝ
Διαβάστε περισσότεραΜαθηματικά Μοντέλα Βιολογίας & Φυσιολογίας
Μαθηματικά Μοντέλα Βιολογίας & Φυσιολογίας ΘΕΩΡΙΑ Γ Εξαμηνο Τμήμα Μηχανικών Βιοϊατρικής / ΠΑΔΑ Υπ. Καθηγ. 1 ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΙΑΤΡΙΚΩΝ ΕΙΚΟΝΩΝ ΑΠΕΙΚΟΝΙΣΗ CT ΤΩΝ ΠΝΕΥΜΟΝΩΝ #10 2 1 Ιατρική Εικόνα Πηγή ανατομικών
Διαβάστε περισσότεραΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ. Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΕΧΡΩΜΩΝ ΕΓΓΡΑΦΩΝ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ (Τ.Ε.Ι.) ΣΕΡΡΩΝ Τμήμα ΠΛΗΡΟΦΟΡΙΚΗΣ & ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ
Διαβάστε περισσότεραΟλοκληρωμένο σύστημα υποστήριξης γυναικολόγου κατά την υστεροσκοπική εξέταση
Ολοκληρωμένο σύστημα υποστήριξης γυναικολόγου κατά την υστεροσκοπική εξέταση Ιωάννης Κωνσταντίνου, Μάριος Νεοφύτου, Βασίλης Τάνος, Κωνσταντίνος Παττίχης Περιεχόμενα Εισαγωγή Καρκίνος του ενδομητρίου Υστεροσκοπική
Διαβάστε περισσότεραΜέθοδος Ελαχίστων Διαδρομών για τον αυτόματο καθορισμό του ορίου μαζών στη μαστογραφική απεικόνιση
ΔΡΑΣΗ ΕΘΝΙΚΗΣ ΕΜΒΕΛΕΙΑΣ «ΣΥΝΕΡΓΑΣΙΑ 2011» ΕΥΡΩΠΑΪΚΗ ΕΝΩΣΗ ΕΥΡΩΠΑΪΚΟ ΤΑΜΕΙΟ ΠΕΡΙΦΕΡΕΙΑΚΗΣ ΑΝΑΠΤΥΞΗΣ Υπουργείο Παιδείας και Θρησκευμάτων ΓΓΕΤ ΕΥΔΕ-ΕΤΑΚ Ε. Π. Ανταγωνιστικότητα και Επιχειρηματικότητα (ΕΠΑΝ
Διαβάστε περισσότεραINNOVATIVE WEB-BASED DECISION SUPPORT SYSTEM FOR COMBINING MAMMOGRAPHIC, HISTOLOGICAL AND CYTOLOGICAL IMAGE DATA IN BREAST CANCER DIAGNOSIS
INNOVATIVE WEB-BASED DECISION SUPPORT SYSTEM FOR COMBINING MAMMOGRAPHIC, HISTOLOGICAL AND CYTOLOGICAL IMAGE DATA IN BREAST CANCER DIAGNOSIS Spiros Kostopoulos 1, George Xenogiannopoulos 1, Dimitris Glotsos
Διαβάστε περισσότεραGemini, FastMap, Applications. Εαρινό Εξάμηνο Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών
Gemini,, Applications Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών Εαρινό Εξάμηνο 2011-2012 Table of contents 1 Table of contents 1 2 Table of contents 1 2 3 Table of contents
Διαβάστε περισσότεραΑυτόματο σύστημα Πρώιμης Διάγνωσης κατά την διάρκεια Υστεροσκοπικής Εξέτασης για Γυναικολογικό Καρκίνο. Δρ Μάριος Νεοφύτου
Αυτόματο σύστημα Πρώιμης Διάγνωσης κατά την διάρκεια Υστεροσκοπικής Εξέτασης για Γυναικολογικό Καρκίνο Δρ Μάριος Νεοφύτου Περιεχόμενα Σκοπός της έρευνας Γυναικολογικός Καρκίνος Ενδοσκόπηση / Υστεροσκόπηση
Διαβάστε περισσότεραAdvances in Digital Imaging and Computer Vision
Advances in Digital Imaging and Computer Vision Lecture and Lab 4 th part 12/3/2018 Κώστας Μαριάς Αναπληρωτής Καθηγητής Επεξεργασίας Εικόνας 21/2/2017 1 Βασικές έννοιες επεξεργασίας Φιλτράρισμα στο χωρικό
Διαβάστε περισσότερα[1] DNA ATM [2] c 2013 Information Processing Society of Japan. Gait motion descriptors. Osaka University 2. Drexel University a)
1,a) 1,b) 2,c) 1,d) Gait motion descriptors 1. 12 1 Osaka University 2 Drexel University a) higashiyama@am.sanken.osaka-u.ac.jp b) makihara@am.sanken.osaka-u.ac.jp c) kon@drexel.edu d) yagi@am.sanken.osaka-u.ac.jp
Διαβάστε περισσότεραDIP_05 Τµηµατοποίηση εικόνας. ΤΕΙ Κρήτης
DIP_05 Τµηµατοποίηση εικόνας ΤΕΙ Κρήτης ΤΜΗΜΑΤΟΠΟΙΗΣΗ ΕΙΚΟΝΑΣ Τµηµατοποίηση εικόνας είναι η διαδικασία µε την οποία διαχωρίζεται µία εικόνα σε κατάλληλες περιοχές ή αντικείµενα. Για την τµηµατοποίηση εικόνας
Διαβάστε περισσότεραΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΣΥΣΤΗΜΑΤΩΝ ΜΕΤΑΔΟΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΛΙΚΩΝ Εξαγωγή χαρακτηριστικών μαστογραφικών μαζών και σύγκριση
Διαβάστε περισσότεραΚατάτµηση Εικόνων: Ανίχνευση Ακµών και Κατάτµηση µε Κατωφλίωση
ΤΨΣ 50 Ψηφιακή Επεξεργασία Εικόνας Κατάτµηση Εικόνων: Ανίχνευση Ακµών και Κατάτµηση µε Κατωφλίωση Τµήµα ιδακτικής της Τεχνολογίας και Ψηφιακών Συστηµάτων Πανεπιστήµιο Πειραιώς Περιεχόµενα Βιβλιογραφία
Διαβάστε περισσότεραDIP_05 Τμηματοποίηση εικόνας. ΤΕΙ Κρήτης
DIP_05 Τμηματοποίηση εικόνας ΤΕΙ Κρήτης ΤΜΗΜΑΤΟΠΟΙΗΣΗ ΕΙΚΟΝΑΣ Τμηματοποίηση εικόνας είναι η διαδικασία με την οποία διαχωρίζεται μία εικόνα σε κατάλληλες περιοχές ή αντικείμενα. Για την τμηματοποίηση
Διαβάστε περισσότεραΥπολογιστικές μέθοδοι για την ανάλυση της πληροφορίας των εικόνων και την κατανόηση του περιεχομένου
Ανάλυση Εικόνων Εικόνα : μορφή πληροφορίας Ανάλυση : εξαγωγή γνώσης Υπολογιστικές μέθοδοι για την ανάλυση της πληροφορίας των εικόνων και την κατανόηση του περιεχομένου Θέματα ειδίκευσης Υπολογιστική Όραση
Διαβάστε περισσότεραΚΑΤΑΤΜΗΣΗ ΥΦΗΣ ΜΕ ΧΡΗΣΗ ΤΕΛΕΣΤΗ ΤΟΠΙΚΟΥ ΥΑ ΙΚΟΥ ΠΡΟΤΥΠΟΥ ΚΑΙ ΕΦΑΡΜΟΓΗ ΜΟΝΤΕΛΟΥ ΕΝΕΡΓΟΥ ΠΕΡΙΓΡΑΜΜΑΤΟΣ ΧΩΡΙΣ ΑΚΜΕΣ *
ΚΑΤΑΤΜΗΣΗ ΥΦΗΣ ΜΕ ΧΡΗΣΗ ΤΕΛΕΣΤΗ ΤΟΠΙΚΟΥ ΥΑ ΙΚΟΥ ΠΡΟΤΥΠΟΥ ΚΑΙ ΕΦΑΡΜΟΓΗ ΜΟΝΤΕΛΟΥ ΕΝΕΡΓΟΥ ΠΕΡΙΓΡΑΜΜΑΤΟΣ ΧΩΡΙΣ ΑΚΜΕΣ * Μιχάλης Α. Σαβελώνας 1, ηµήτρης Ε. Μαρούλης 1, ηµήτρης Κ. Ιακωβίδης 1, Σταύρος Α. Καρκάνης
Διαβάστε περισσότεραDIP_04 Σημειακή επεξεργασία. ΤΕΙ Κρήτης
DIP_04 Σημειακή επεξεργασία ΤΕΙ Κρήτης ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΕΙΚΟΝΑΣ Σκοπός μιας τέτοιας τεχνικής μπορεί να είναι: η βελτιστοποίηση της οπτικής εμφάνισης μιας εικόνας όπως την αντιλαμβάνεται ο άνθρωπος, η τροποποίηση
Διαβάστε περισσότεραΑνάπτυξη ολοκληρωμένου περιβάλλοντος ανάλυσης και ταξινόμησης μαστογραφικών εικόνων
ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ "ΤΕΧΝΟΛΟΓΙΕΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΗΝ ΙΑΤΡΙΚΗ ΚΑΙ ΤΗ ΒΙΟΛΟΓΙΑ"
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ "ΜΕΛΕΤΗ ΕΠΙΔΡΑΣΗΣ ΜΕΘΟΔΩΝ ΕΝΙΣΧΥΣΗΣ ΕΙΚΟΝΑΣ ΣΤΟ ΧΑΡΑΚΤΗΡΙΣΜΟ ΑΛΛΟΙΩΣΕΩΝ ΣΤΗ ΜΑΣΤΟΓΡΑΦΙΚΗ ΑΠΕΙΚΟΝΙΣΗ" ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ του
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ "ΜΕΛΕΤΗ ΕΠΙΔΡΑΣΗΣ ΜΕΘΟΔΩΝ ΕΝΙΣΧΥΣΗΣ ΕΙΚΟΝΑΣ ΣΤΟ ΧΑΡΑΚΤΗΡΙΣΜΟ ΑΛΛΟΙΩΣΕΩΝ ΣΤΗ ΜΑΣΤΟΓΡΑΦΙΚΗ ΑΠΕΙΚΟΝΙΣΗ" ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ του ΤΣΑΚΩΝΑ ΙΩΑΝΝΗ του ΝΙΚΟΛΑΟΥ Στα πλαίσια του Προγράμματος
Διαβάστε περισσότεραΒούρτση Α, Λαζάρου Σπ, Αθανασίου Α, Ρουσάκης Α, Κουφόπουλος Κ, Καντζάβελος Κ, Πανουργιά Ε, Χρυσογονίδης Ι. www,hbis.gr
Βούρτση Α, Λαζάρου Σπ, Αθανασίου Α, Ρουσάκης Α, Κουφόπουλος Κ, Καντζάβελος Κ, Πανουργιά Ε, Χρυσογονίδης Ι. www,hbis.gr Γυναίκα ηλικίας 74 ετών προσήλθε για μαστογραφία. Ατομικό ιστορικό αρνητικό. Κλινική
Διαβάστε περισσότεραΕιδικές Επιστηµονικές Εργασίες
Ειδικές Επιστηµονικές Εργασίες 2005-2006 1. Ανίχνευση προσώπων από ακολουθίες video και παρακολούθηση (face detection & tracking) Η ανίχνευση προσώπου (face detection) αποτελεί το 1 ο βήµα σε ένα αυτόµατο
Διαβάστε περισσότεραιατρικά απεικονιστικά συστήματα
ΤΕΙ Αθήνας Τμήμα Μηχανικών Βιοϊατρικής Τεχνολογίας Τ.Ε. Αναγνώριση προτύπων με εφαρμογές σε ιατρικά απεικονιστικά συστήματα Ι. Καλατζής Επίκουρος Καθηγητής 2017 ΠΕΡΙΕΧΟΜΕΝΑ ΕΙΣΑΓΩΓΗ - ΟΡΙΣΜΟΙ 3 Ανάλυση
Διαβάστε περισσότεραD. Lowe, Distinctive Image Features from Scale-Invariant Keypoints, International Journal of Computer Vision, 60(2):91-110, 2004.
D. Lowe, Distinctive Image Features from Scale-Invariant Keypoints, International Journal of Computer Vision, 60(2):91-110, 2004. 1/45 Τι είναι ο SIFT-Γενικά Scale-invariant feature transform detect and
Διαβάστε περισσότεραΠοιότητα Ακτινοδιαγνωστικής Εικόνας
Ποιότητα Ακτινοδιαγνωστικής Εικόνας Γ. Παναγιωτάκης Ε. Κωσταρίδου Εργαστήριο Ιατρικής Φυσικής Τµήµα Ιατρικής, Πανεπιστήµιο Πατρών Περιεχόµενα µαθήµατος Φυσικό υπόβαθρο της ιατρικής απεικόνισης µε ακτίνες
Διαβάστε περισσότεραΕνότητα 3: Μετασχηµατισµοί Έντασης & Χωρικό Φιλτράρισµα
Ενότητα 3: Μετασχηµατισµοί Έντασης & Χωρικό Φιλτράρισµα Βασικές Έννοιες Διεργασίες στο πεδίο του χώρου f(x, y) : εικόνα εισόδου g(x, y) : εικόνα εισόδου g x, y = T f(x, y) T : τελεστής που εφαρµόζεται
Διαβάστε περισσότεραΜΑΣΤΟΓΡΑΦΙΑ. Ευάγγελος Παντελής Επ. Καθ. Ιατρικής Φυσικής Εργαστήριο Ιατρικής Φυσικής Ιατρική Σχολή Αθηνών.
ΜΑΣΤΟΓΡΑΦΙΑ Ευάγγελος Παντελής Επ. Καθ. Ιατρικής Φυσικής Εργαστήριο Ιατρικής Φυσικής Ιατρική Σχολή Αθηνών http://eclass.uoa.gr/courses/med808 ΙΑΤΡΙΚΗ ΦΥΣΙΚΗ Διαγνωστικές και θεραπευτικές εφαρμογές ακτινοβολιών
Διαβάστε περισσότεραAn Automatic Modulation Classifier using a Frequency Discriminator for Intelligent Software Defined Radio
C IEEJ Transactions on Electronics, Information and Systems Vol.133 No.5 pp.910 915 DOI: 10.1541/ieejeiss.133.910 a) An Automatic Modulation Classifier using a Frequency Discriminator for Intelligent Software
Διαβάστε περισσότεραΜάθημα: Μηχανική Όραση
Μάθημα: Μηχανική Όραση Εργασία 2: Advances in Digital Imaging and Computer Vision Ομάδα χρηστών 2 : Τσαγκαράκης Νίκος, Καραμήτρος Κώστας Εισαγωγή Σκοπός της άσκησης, είναι να εξοικειωθούμε με κάποιες βασικές
Διαβάστε περισσότεραΨηφιακή ανάλυση υστεροσκοπικών εικόνων για την υποβοήθηση διάγνωσης της παθολογίας του ενδομητρίου
22(1):66-71, 2010 Ανασκοπήσεις Ψηφιακή ανάλυση υστεροσκοπικών εικόνων για την υποβοήθηση διάγνωσης της παθολογίας του ενδομητρίου Ν.Π. Παπαδόπουλος Μ.Σ. Παπαδόπουλος Γ. Πάντος ΠΕΡΙΛΗΨΗ Η ψηφιακά υποβοηθούμενη
Διαβάστε περισσότεραProjects Στα Ειδικά Θέµατα Επεξεργασίας Σήµατος και Εικόνας
Projects Στα Ειδικά Θέµατα Επεξεργασίας Σήµατος και Εικόνας Τα projects θα γίνουν απο δύο άτοµα Για τα projects 1-4 υπεύθυνος είναι ο κ. Αναστασόπουλος Για τα 5-11 ο κ. Φωτόπουλος Για τα 12-15 οι κ. Φωτόπουλος
Διαβάστε περισσότεραΕΥΡΕΣΗ ΤΟΥ ΔΙΑΝΥΣΜΑΤΟΣ ΘΕΣΗΣ ΚΙΝΟΥΜΕΝΟΥ ΡΟΜΠΟΤ ΜΕ ΜΟΝΟΦΘΑΛΜΟ ΣΥΣΤΗΜΑ ΟΡΑΣΗΣ
ΕΥΡΕΣΗ ΤΟΥ ΔΙΑΝΥΣΜΑΤΟΣ ΘΕΣΗΣ ΚΙΝΟΥΜΕΝΟΥ ΡΟΜΠΟΤ ΜΕ ΜΟΝΟΦΘΑΛΜΟ ΣΥΣΤΗΜΑ ΟΡΑΣΗΣ Νικόλαος Κυριακούλης *, Ευάγγελος Καρακάσης, Αντώνιος Γαστεράτος, Δημήτριος Κουλουριώτης, Σπυρίδων Γ. Μουρούτσος Δημοκρίτειο
Διαβάστε περισσότεραΑνάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589)
Ανάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589) Μεγαλοοικονόμου Βασίλειος Τμήμα Μηχ. Η/ΥκαιΠληροφορικής Επιστημονικός Υπεύθυνος Στόχος Προτεινόμενου Έργου Ανάπτυξη μεθόδων
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνας
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Ψηφιακή Επεξεργασία Εικόνας Ενότητα 3 : Αποκατάσταση εικόνας (Image Restoration) Ιωάννης Έλληνας Τμήμα Η/ΥΣ Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΑ. ΜΑΖΕΣ ACR BI - RADS ATLAS - ΜΑΣΤΟΓΡΑΦΙΑ
ACR BI - RADS ATLAS - Μια μάζα είναι τρισδιάστατη και καταλαμβάνει χώρο. Είναι ορατή σε δύο διαφορετικές μαστογραφικές προβολές. Έχει εξολοκλήρου ή μερικώς κυρτά όρια και (αν είναι ακτινοσκιερή) παρουσιάζει
Διαβάστε περισσότεραΕργαστήριο ADICV1. Image Boundary detection and filtering. Κώστας Μαριάς 13/3/2017
Εργαστήριο ADICV1 Image Boundary detection and filtering Κώστας Μαριάς 13/3/2017 Boundary Detection 2 Γείτονες και περίγραμμα εικόνας Ορίζουμε ως V το σύνολο των τιμών εντάσεων εικόνας για να ορίσουμε
Διαβάστε περισσότερα(Computed Tomography, CT)
Υπολογιστική Τοµογραφία (Computed Tomography, CT) Κωσταρίδου Ελένη Αναπληρώτρια Καθηγήτρια Ιατρικής Φυσικής Εργαστήριο Ιατρικής Φυσικής, Τµήµα Ιατρικής, Πανεπιστήµιο Πατρών Περιεχόµενα µαθήµατος Φυσικό
Διαβάστε περισσότεραΣύστημα επεξεργασίας, ανάλυσης και ταξινόμησης εικόνων δισδιάστατης ηλεκτροφόρησης με τεχνικές αναγνώρισης προτύπων
ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ "ΤΕΧΝΟΛΟΓΙΕΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΗΝ ΙΑΤΡΙΚΗ ΚΑΙ ΤΗ ΒΙΟΛΟΓΙΑ"
Διαβάστε περισσότερα9. Ανάλυση κυρίων συνιστωσών *Principal Component Analysis)
1 9. Ανάλυση κυρίων συνιστωσών *Principal Component Analysis) Προαπαιτούμενα: MULTISPEC και η πολυφασματική εικόνα του φακέλου \Multispec_tutorial_Files\Images and Files \ salamina_multispectral.tiff Σκοπός:
Διαβάστε περισσότεραΟΓΚΟΥ. ΨΕΥΔΟΑΓΓΕΙΩΜΑΤΩΔΗΣ ΣΤΡΩΜΑΤΙΚΗ ΥΠΕΡΠΛΑΣΙΑ ΤΟΥ ΜΑΣΤΟΥ ΜΕ ΚΛΙΝΙΚΗ ΕΙΚΟΝΑ ΕΥΜΕΓΕΘΟΥΣ ΟΓΚΟΥ. Σαλεμής Στ. Νικόλαος. Σαλεμής Στ.
Μονάδα Μαστού, 401 ΓΣΝΑ, Αθήνα Σκοπός αυτής της εργασίας είναι η παρουσίαση ασυνήθους περίπτωσης ψευδοαγγειωματώδους στρωματικής υπερπλασίας σε έφηβη ασθενή με ευμεγέθη όγκο μαστού με γρήγορη αύξηση του
Διαβάστε περισσότεραΜέθοδοι Αναπαράστασης Περιοχών
KEΣ 3 Αναγνώριση Προτύπων και Ανάλυση Εικόνας Μέθοδοι Αναπαράστασης Περιοχών ΤµήµαΕπιστήµης και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήµιο Πελοποννήσου Εισαγωγή Χαρακτηριστικά χώρου Χαρακτηριστικά από µετασχηµατισµό
Διαβάστε περισσότεραΤηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση 24/6/2013
ΨΗΦΙΑΚΗ ΑΝΑΛΥΣΗ ΕΙΚΟΝΑΣ Η ψηφιακή ανάλυση ασχολείται κυρίως με τέσσερις βασικές λειτουργίες: διόρθωση, βελτίωση, ταξινόμηση, και Κ. Ποϊραζίδης μετασχηματισμό. Η βελτίωση ασχολείται με την τροποποίηση των
Διαβάστε περισσότεραGeorge Washington University (Department of Electrical Engineering, Division of Medical
Κωσταρίδου Ελένη Αναπληρώτρια Καθηγήτρια Ιατρικής Φυσικής Τµήµα Ιατρικής, Σχολή Επιστηµών Υγείας, Πανεπιστήµιο Πατρών Βιογραφικό Σηµείωµα Σπουδές και Σταδιοδροµία Γεννήθηκε στο Αίγιο Αχαΐας και είναι µητέρα
Διαβάστε περισσότεραΤαχεία Μαγνητική Μαστογραφία
Ταχεία Μαγνητική Μαστογραφία Ultra-Fast Breast MRI (3 min MRI) Εάν σε 1000 γυναίκες με φυσιολογική Μαστογραφία και φυσιολογικό Υπερηχογράφημα μαστών προσθέσουμε την Ταχεία Μαγνητική Μαστογραφία θα ανακαλύψουμε
Διαβάστε περισσότεραΠίνακας Προτεινόμενων Πτυχιακών Εργασιών
ΣΧΟΛΗ: ΣΕΥΠ -ΠΑΔΑ ΤΜΗΜΑ: ΒΙΟΙΑΤΡΙΚΕΣ ΕΠΙΣΤΗΜΕΣ--- ΝΟΕΜΒΡΙΟΣ 208 ΤΟΜΕΑΣ: ΑΚΤΙΝΟΛΟΓΙΑΣ ΚΑΙ ΑΚΤΙΝΟΘΕΡΑΠΕΙΑΣ Α/Α Τίτλος Θέματος Μέλος Ε.Π. Σύντομη Περιγραφή. 2 3. 4. 5. 6. ΔΑΙΒΗΤΙΚΟ ΠΟΔΙ ΑΠΕΙΚΟΝΙΣΤΙΚΕΣ ΤΕΧΝΙΚΕΣ
Διαβάστε περισσότεραΤΟΜΟΣΥΝΘΕΣΗ ΚΑΙ ΜΑΣΤΟΓΡΑΦΙΑ ΔΙΠΛΗΣ ΕΝΕΡΓΕΙΑΣ ΜΕ ΧΡΗΣΗ ΣΚΙΑΓΡΑΦΙΚΟΥ. ΠΟΙΑ ΕΙΝΑΙ Η ΕΠΙΒΑΡΥΝΣΗ ΣΤΗ ΔΟΣΗ;
ΤΟΜΟΣΥΝΘΕΣΗ ΚΑΙ ΜΑΣΤΟΓΡΑΦΙΑ ΔΙΠΛΗΣ ΕΝΕΡΓΕΙΑΣ ΜΕ ΧΡΗΣΗ ΣΚΙΑΓΡΑΦΙΚΟΥ. ΠΟΙΑ ΕΙΝΑΙ Η ΕΠΙΒΑΡΥΝΣΗ ΣΤΗ ΔΟΣΗ; ΕΛΣΑ ΤΖΑΜΙΧΑ Ακτινοφυσικός MSc Υποψήφια Διδάκτωρ Ιατρικής Σχολής Πανεπιστημίου Αθηνών Νοέμβριος 2016
Διαβάστε περισσότεραΕργαστήριο ADICV2. Image filtering. Κώστας Μαριάς
Εργαστήριο ADICV2 Image filtering Κώστας Μαριάς Image Filtering ADICV Kostas Marias TEI Crete 2017 2 Matlab Σκοπός εργαστηρίου Θα φτιάξουμε ένα ΦΙΛΤΡΟ ΜΕΣΗΣ ΤΙΜΗΣ (mean FILTER) σε matlab Στη συνέχεια θα
Διαβάστε περισσότεραΤεχνικές Μείωσης Διαστάσεων. Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας
Τεχνικές Μείωσης Διαστάσεων Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας 1 Εισαγωγή Το μεγαλύτερο μέρος των δεδομένων που καλούμαστε να επεξεργαστούμε είναι πολυδιάστατα.
Διαβάστε περισσότεραΑνάκτηση πολυμεσικού περιεχομένου
Ανάκτηση πολυμεσικού περιεχομένου Ανίχνευση / αναγνώριση προσώπων Ανίχνευση / ανάγνωση κειμένου Ανίχνευση αντικειμένων Οπτικές λέξεις Δεικτοδότηση Σχέσεις ομοιότητας Κατηγοριοποίηση ειδών μουσικής Διάκριση
Διαβάστε περισσότεραΡαδιομετρική Ενίσχυση - Χωρική Επεξεργασία Δορυφορικών Εικόνων
Πανεπιστήμιο Θεσσαλίας Πολυτεχνική Σχολή Τμήμα Μηχανικών Χωροταξίας Πολεοδομίας και Περιφερειακής Ανάπτυξης Ραδιομετρική Ενίσχυση - Χωρική Επεξεργασία Δορυφορικών Εικόνων Ιωάννης Φαρασλής Τηλ : 24210-74466,
Διαβάστε περισσότεραΑνατομία του προστάτη σε ζώνες κατά McNeal
15/1/2018 Νέα απεικονιστική προσέγγιση του καρκίνου του προστάτη. Θέσεις και περιορισμοί του σύγχρονου ακτινολόγου. ΠΑΠΑΪΩΑΝΝΟΥ ΣΟΦΙΑ ΕΠΙΜΕΛΗΤΡΙΑ Α Ακτινολογικό Εργαστήριο Νοσ.Παπαγεωργίου ΣΥΝΤΟΝΙΣΤΗΣ
Διαβάστε περισσότεραΕΠΕΞΕΡΓΑΣΙΑ ΙΑΤΡΙΚΗΣ ΕΙΚΟΝΑΣ
ΕΠΕΞΕΡΓΑΣΙΑ ΙΑΤΡΙΚΗΣ ΕΙΚΟΝΑΣ Π. ΑΣΒΕΣΤΑΣ Επ. Καθηγητής Τμήμα Μηχανικών Βιοϊατρικής Τεχνολογίας ΤΕΙ Αθήνας Email: pasv@teiath.gr ΠΕΡΙΕΧΟΜΕΝΑ Αναπαράσταση εικόνας Ιστόγραμμα Εξισορρόπηση ιστογράμματος Κατωφλίωση
Διαβάστε περισσότεραΔΕΑ ΣΤΗ ΜΑΣΤΟΓΡΑΦΙΑ. Π. Κηπουρός Ακτινοφυσικός ΓΝΑ «ΑΛΕΞΑΝΔΡΑ»
Π. Κηπουρός Ακτινοφυσικός ΓΝΑ «ΑΛΕΞΑΝΔΡΑ» Η ΜΑΣΤΟΓΡΑΦΙΑ ΣΗΜΕΡΑ Film Screen (ελάχιστα σε χρήση) Computed Radiography (CR) Full Field Digital Mammography (FFDM) Digital Breast Tomosynthesis (DBT) Contrast
Διαβάστε περισσότεραΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ
ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΤΜ. ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ 2018-2019 Επιβλέπουσα: Μπίμπη Ματίνα Ανάλυση της πλατφόρμας ανοιχτού κώδικα Home Assistant Το Home Assistant είναι μία πλατφόρμα ανοιχτού
Διαβάστε περισσότεραΑΡΧΕΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ (Y2204) Βασιλάκης Εµµανουήλ Λέκτορας Τηλεανίχνευσης
ΑΡΧΕΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ (Y2204) Βασιλάκης Εµµανουήλ Λέκτορας Τηλεανίχνευσης Διακριτική ικανότητα δεδοµένων τηλεπισκόπησης Χωρική (Spatial resolution) πόσα µέτρα? Χρονική (Temporal resolution) πόσος χρόνος?
Διαβάστε περισσότεραΟΜΑΔΟΠΟΙΗΣΗ ΑΡΙΘΜΗΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΤΟΠΟΓΡΑΦΙΑΣ ΟΜΑΔΟΠΟΙΗΣΗ ΑΡΙΘΜΗΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΒΥΡΩΝΑΣ ΝΑΚΟΣ ΑΘΗΝΑ 2006 ΠΕΡΙΕΧΟΜΕΝΑ Περιεχόμενα 1. Εισαγωγή 1 2. Μέθοδοι σταθερών
Διαβάστε περισσότεραΣΤΑΤΙΣΤΙΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΓΙΑ ΤΗΝ ΑΠΟΤΙΜΗΣΗ ΤΩΝ ΑΠΟΤΕΛΕΣΜΑΤΩΝ
ΣΤΑΤΙΣΤΙΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΓΙΑ ΤΗΝ ΑΠΟΤΙΜΗΣΗ ΤΩΝ ΑΠΟΤΕΛΕΣΜΑΤΩΝ Στατιστική ανάλυση του γεωχηµικού δείγµατος µας δίνει πληροφορίες για τον γεωχηµικό πληθυσµό που µελετάµε. Συνυπολογισµός σφαλµάτων Πειραµατικά
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνας
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Ψηφιακή Επεξεργασία Εικόνας Ενότητα 2 : Βελτιστοποίηση εικόνας (Image enhancement) Ιωάννης Έλληνας Τμήμα Η/ΥΣ Άδειες Χρήσης Το
Διαβάστε περισσότεραDetection and Recognition of Traffic Signal Using Machine Learning
1 1 1 Detection and Recognition of Traffic Signal Using Machine Learning Akihiro Nakano, 1 Hiroshi Koyasu 1 and Hitoshi Maekawa 1 To improve road safety by assisting the driver, traffic signal recognition
Διαβάστε περισσότεραΤηλεπισκόπηση. Ψηφιακή Ανάλυση Εικόνας Η ΒΕΛΤΙΩΣΗ εικόνας 1. ΔΙΑΧΕΙΡΙΣΗ ΑΝΤΙΘΕΣΗΣ 2. ΔΙΑΧΕΙΡΙΣΗ ΧΩΡΙΚΩΝ ΣΤΟΙΧΕΙΩΝ 3. ΔΙΑΧΕΙΡΙΣΗ ΠΟΛΛΑΠΛΩΝ ΕΙΚΟΝΩΝ
Ψηφιακή Ανάλυση Εικόνας Η ΒΕΛΤΙΩΣΗ εικόνας 1. ΔΙΑΧΕΙΡΙΣΗ ΑΝΤΙΘΕΣΗΣ 2. ΔΙΑΧΕΙΡΙΣΗ ΧΩΡΙΚΩΝ ΣΤΟΙΧΕΙΩΝ 3. ΔΙΑΧΕΙΡΙΣΗ ΠΟΛΛΑΠΛΩΝ ΕΙΚΟΝΩΝ Βελτίωση Εικόνας 2. ΔΙΑΧΕΙΡΙΣΗ ΧΩΡΙΚΩΝ ΣΤΟΙΧΕΙΩΝ (Spatial feature manipulation)
Διαβάστε περισσότεραΣΥΓΧΡΟΝΟ ΚΕΝΤΡΟ. Με ειδίκευση στο γυναικείο µαστό
ΣΥΓΧΡΟΝΟ ΚΕΝΤΡΟ Με ειδίκευση στο γυναικείο µαστό Το Κέντρο Μαστού του Ερρίκος Ντυνάν Hospital Center αποτελεί ένα πρότυπο, σύγχρονο ιατρικό κέντρο µε ειδίκευση στο γυναικείο µαστό. Παρέχει ολοκληρωµένες
Διαβάστε περισσότεραΣυστήματα Πολυμέσων. Ενότητα 8: Συμπίεση Εικόνας κατά JPEG Θρασύβουλος Γ. Τσιάτσος Τμήμα Πληροφορικής ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 8: Συμπίεση Εικόνας κατά JPEG 2000 Θρασύβουλος Γ. Τσιάτσος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραD. Lowe, Distinctive Image Features from Scale-Invariant Keypoints, International Journal of Computer Vision, 60(2):91-110, 2004.
D. Lowe, Distinctive Image Features from Scale-Invariant Keypoints, International Journal of Computer Vision, 60(2):91-110, 2004. Εισαγωγικά: SIFT~Harris Harris Detector: Δεν είναι ανεξάρτητος της κλίμακας
Διαβάστε περισσότεραΙατρική Πληροφορική. Δρ. Π. ΑΣΒΕΣΤΑΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΒΙΟΪΑΤΡΙΚΗΣ ΤΕΧΝΟΛΟΓΙΑΣ Τ.Ε.
Ιατρική Πληροφορική Δρ. Π. ΑΣΒΕΣΤΑΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΒΙΟΪΑΤΡΙΚΗΣ ΤΕΧΝΟΛΟΓΙΑΣ Τ.Ε. Οι διάφορες τεχνικές απεικόνισης (imaging modalities) της ανθρώπινης ανατομίας περιγράφονται κατά DICOM ως συντομογραφία
Διαβάστε περισσότεραHOSVD. Higher Order Data Classification Method with Autocorrelation Matrix Correcting on HOSVD. Junichi MORIGAKI and Kaoru KATAYAMA
DEIM Forum 2010 D1-4 HOSVD 191-0065 6-6 E-mail: j.morigaki@gmail.com, katayama@tmu.ac.jp Lathauwer (HOSVD) (Tensor) HOSVD Savas HOSVD Sun HOSVD,, Higher Order Data Classification Method with Autocorrelation
Διαβάστε περισσότεραΙΑΤΡΙΚΗ ΑΠΕΙΚΟΝΙΣΗ & ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΙΑΤΡΙΚΗΣ ΕΙΚΟΝΑΣ
ΙΑΤΡΙΚΗ ΑΠΕΙΚΟΝΙΣΗ & ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΙΑΤΡΙΚΗΣ ΕΙΚΟΝΑΣ ΔΡ. Γ. ΜΑΤΣΟΠΟΥΛΟΣ ΕΠ. ΚΑΘΗΓΗΤΗΣ ΣΧΟΛΗ ΗΛΕΚΤΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Ευθυγράμμιση ιατρικών δεδομένων:
Διαβάστε περισσότεραΠανεπιστήμιο Θεσσαλίας. Πολυτεχνική Σχολή ΘΕΜΑΤΙΚΗ : ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ
Πανεπιστήμιο Θεσσαλίας Πολυτεχνική Σχολή Τμήμα Μηχανικών Χωροταξίας Πολεοδομίας και Περιφερειακής Ανάπτυξης ΘΕΜΑΤΙΚΗ : ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Ιωάννης Φαρασλής Τηλ : 24210-74466, Πεδίον Άρεως, Βόλος
Διαβάστε περισσότεραΑΡΧΙΜΗ ΗΣ - ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑ ΩΝ ΣΤΑ ΤΕΙ. Υποέργο: «Ανάκτηση και προστασία πνευµατικών δικαιωµάτων σε δεδοµένα
ΑΡΧΙΜΗ ΗΣ - ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑ ΩΝ ΣΤΑ ΤΕΙ Υποέργο: «Ανάκτηση και προστασία πνευµατικών δικαιωµάτων σε δεδοµένα πολυδιάστατου ψηφιακού σήµατος (Εικόνες Εικονοσειρές)» Πακέτο Εργασίας 4: Προστασία
Διαβάστε περισσότεραΤηλεπισκόπηση - Φωτοερμηνεία
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ Τηλεπισκόπηση - Φωτοερμηνεία Ενότητα 10: Ραδιομετρική Ενίσχυση Χωρική Επεξεργασία Δορυφορικών Εικόνων. Κωνσταντίνος Περάκης Ιωάννης Φαρασλής Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας
Διαβάστε περισσότεραΚΕΣ 03: Αναγνώριση Προτύπων και Ανάλυση Εικόνας. KEΣ 03 Αναγνώριση Προτύπων και Ανάλυση Εικόνας. Κατάτµηση Εικόνων:
KEΣ 3 Αναγνώριση Προτύπων και Ανάλυση Εικόνας Κατάτµηση Εικόνων: Ανίχνευση Ακµών Τµήµα Επιστήµης και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήµιο Πελοποννήσου Περιεχόµενα Βιβλιογραφία Περιεχόµενα Ενότητας
Διαβάστε περισσότεραΑξιολόγηση µεθόδων σύνθεσης εικόνων. Β. Τσαγκάρης και Β. Αναστασόπουλος
Αξιολόγηση µεθόδων σύνθεσης εικόνων Β. Τσαγκάρης και Β. Αναστασόπουλος Περιεχόµενα Σύνθεση πληροφορίας - εικόνων Εφαρµογές Τύποι εικόνων Μέθοδοι σύνθεσης εικόνων Αξιολόγηση µεθόδων σύνθεσης εικόνων Θεωρία
Διαβάστε περισσότεραΚωσταρίδου Ελένη Αναπληρώτρια Καθηγήτρια Ιατρικής Φυσικής Τμήμα Ιατρικής, Σχολή Επιστημών Υγείας, Πανεπιστήμιο Πατρών
Κωσταρίδου Ελένη Αναπληρώτρια Καθηγήτρια Ιατρικής Φυσικής Τμήμα Ιατρικής, Σχολή Επιστημών Υγείας, Πανεπιστήμιο Πατρών Σύντομο Βιογραφικό Σημείωμα Σπουδές και Σταδιοδρομία Γεννήθηκε στο Αίγιο Αχαΐας και
Διαβάστε περισσότεραΤι είναι το JPEG2000?
JPEG 2000 Τι είναι το JPEG2000? Νέο εξελιγµένο σχήµα συµπίεσης για ακίνητη εικόνα Αναπτύχθηκε από: ISO (International Standardization Organization) και IEC (International Electrotechnical Committee) Καθιερώθηκε
Διαβάστε περισσότεραΕνδεικτική πολυ-εργασία 1 - εφαρμογή στην υπολογιστική όραση
Ενδεικτική πολυ-εργασία 1 - εφαρμογή στην υπολογιστική όραση Εντοπισμός ενός σήματος STOP σε μια εικόνα. Περιγράψτε τη διαδικασία με την οποία μπορώ να εντοπίσω απλά σε μια εικόνα την ύπαρξη του παρακάτω
Διαβάστε περισσότεραDigital Image Processing
Digital Image Processing Αποκατάσταση εικόνας Αφαίρεση Θορύβου Πέτρος Καρβέλης pkarvelis@gmail.com Images taken from: R. Gonzalez and R. Woods. Digital Image Processing, Prentice Hall, 2008. Αποκατάσταση
Διαβάστε περισσότεραΜεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης
Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Ακμές και περιγράμματα Ακμές και περιγράμματα Γενικά Μεγάλο τμήμα της πληροφορίας που γίνεται αντιληπτή
Διαβάστε περισσότεραΒΙΟΣΤΑΤΙΣΤΙΚΗ. ΑΛΕΓΚΑΚΗΣ ΑΘΑΝΑΣΙΟΣ Φυσικός, PH.D. Σχολής Επιστηµών Υγείας
ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΑΛΕΓΚΑΚΗΣ ΑΘΑΝΑΣΙΟΣ Φυσικός, PH.D. Σχολής Επιστηµών Υγείας Επικοινωνία: Πτέρυγα 4, Τοµέας Κοινωνικής Ιατρικής Εργαστήριο Βιοστατιστικής Τηλ. 4613 e-mail: biostats@med.uoc.gr thalegak@med.uoc.gr
Διαβάστε περισσότεραΜεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης
Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Εισαγωγή Τι είναι η εικόνα; Μια οπτική αναπαράσταση με την μορφή μιας συνάρτησης f(x, y) όπου η
Διαβάστε περισσότεραΜεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης
Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Τμηματοποίηση εικόνας Τμηματοποίηση εικόνας Γενικά Διαμερισμός μιας εικόνας σε διακριτές περιοχές
Διαβάστε περισσότεραΑΣΚΗΣΗ 3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ ΜΕΛΕΤΗ ΙΣΤΟΓΡΑΜΜΑΤΟΣ. ( ) 1, αν Ι(i,j)=k hk ( ), διαφορετικά
ΑΣΚΗΣΗ 3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ ΜΕΛΕΤΗ ΙΣΤΟΓΡΑΜΜΑΤΟΣ Αντικείμενο: Εξαγωγή ιστογράμματος εικόνας, απλοί μετασχηματισμοί με αυτό, ισοστάθμιση ιστογράμματος. Εφαρμογή βασικών παραθύρων με την βοήθεια του ΜΑΤLAB
Διαβάστε περισσότεραFourier transform, STFT 5. Continuous wavelet transform, CWT STFT STFT STFT STFT [1] CWT CWT CWT STFT [2 5] CWT STFT STFT CWT CWT. Griffin [8] CWT CWT
1,a) 1,2,b) Continuous wavelet transform, CWT CWT CWT CWT CWT 100 1. Continuous wavelet transform, CWT [1] CWT CWT CWT [2 5] CWT CWT CWT CWT CWT Irino [6] CWT CWT CWT CWT CWT 1, 7-3-1, 113-0033 2 NTT,
Διαβάστε περισσότεραΠοιότητα Ακτινοδιαγνωστικής Εικόνας
Ποιότητα Ακτινοδιαγνωστικής Εικόνας Ε. Κωσταρίδου Εργαστήριο Ιατρικής Φυσικής Τµήµα Ιατρικής, Πανεπιστήµιο Πατρών Ενημέρωση Νοέμβριος 2017 Ψηφιακή εικόνα Το μέγεθος εικονοστοιχείου καθορίζεται από το μέγεθος
Διαβάστε περισσότεραΕιδικά Θέµατα Υπολογιστικής Όρασης & Γραφικής. Εµµανουήλ Ζ. Ψαράκης & Αθανάσιος Τσακαλίδης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής
Ειδικά Θέµατα Υπολογιστικής Όρασης & Γραφικής Εµµανουήλ Ζ. Ψαράκης & Αθανάσιος Τσακαλίδης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής Επεξεργασία Εικόνας Εµµανουήλ Ζ. Ψαράκης Πολυτεχνική Σχολή
Διαβάστε περισσότεραΜεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης
Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Σημειακή επεξεργασία και μετασχηματισμοί Κατηγορίες μετασχηματισμού εικόνων Σημειακοί μετασχηματισμοί
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 2: Ανασκόπηση βασικών εννοιών Στατιστικής και Πιθανοτήτων Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
Διαβάστε περισσότεραΕιδικά Θέµατα Υπολογιστικής Όρασης & Γραφικής. Εµµανουήλ Ζ. Ψαράκης & Αθανάσιος Τσακαλίδης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής
Ειδικά Θέµατα Υπολογιστικής Όρασης & Γραφικής Εµµανουήλ Ζ. Ψαράκης & Αθανάσιος Τσακαλίδης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής Σύνθεση Πανοράµατος Εµµανουήλ Ζ. Ψαράκης Πολυτεχνική Σχολή
Διαβάστε περισσότεραΚέντρο Μαστού & Κλινική Μαστού. Μέχρι χθες παράλειψη... από σήμερα πρόληψη!
Κέντρο Μαστού & Κλινική Μαστού Μέχρι χθες παράλειψη... από σήμερα πρόληψη! Η ΡΕΑ Μαιευτική Γυναικολογική Κλινική δημιούργησε το Πρότυπο Κέντρο Μαστού και την Κλινική Μαστού, εξασφαλίζοντας τη μέγιστη υποστήριξη
Διαβάστε περισσότεραΣυμπίεση Πολυμεσικών Δεδομένων
Συμπίεση Πολυμεσικών Δεδομένων Εισαγωγή στο πρόβλημα και επιλεγμένες εφαρμογές Παράδειγμα 2: Συμπίεση Εικόνας ΔΠΜΣ ΜΥΑ, Ιούνιος 2011 Εισαγωγή (1) Οι τεχνικές συμπίεσης βασίζονται στην απόρριψη της πλεονάζουσας
Διαβάστε περισσότεραΚΑΝΟΝΙΣΜΟΣ ΕΚΠΟΝΗΣΗΣ ΕΡΓΑΣΙΩΝ ΓΙΑ ΤΟ ΜΑΘΗΜΑ «ΕΠΕΞΕΡΓΑΣΙΑ ΨΗΦΙΑΚΟΥ ΣΗΜΑΤΟΣ ΚΑΙ ΣΧΕΔΙΑΣΜΟΣ ΥΛΙΚΟΥ»
Πρόγραμμα Μεταπτυχιακών Σπουδών «Τεχνολογίες και Συστήματα Ευρυζωνικών Εφαρμογών και Υπηρεσιών» ΚΑΝΟΝΙΣΜΟΣ ΕΚΠΟΝΗΣΗΣ ΕΡΓΑΣΙΩΝ ΓΙΑ ΤΟ ΜΑΘΗΜΑ «ΕΠΕΞΕΡΓΑΣΙΑ ΨΗΦΙΑΚΟΥ ΣΗΜΑΤΟΣ ΚΑΙ ΣΧΕΔΙΑΣΜΟΣ ΥΛΙΚΟΥ» Ακαδημαϊκό
Διαβάστε περισσότεραΚεφάλαιο 6 Ιστογράμματα δορυφορικών εικόνων
Κεφάλαιο 6 Ιστογράμματα δορυφορικών εικόνων Κωνσταντίνος Γ. Περάκης Σύνοψη Μία γενική επισκόπηση με εστίαση στη χρήση των ιστογραμμάτων στην Τηλεπισκόπηση και περιγραφές ειδικών εικόνων με τα χαρακτηριστικά
Διαβάστε περισσότεραDigital Image Processing
Digital Image Processing Intensity Transformations Πέτρος Καρβέλης pkarvelis@gmail.com Images taken from: R. Gonzalez and R. Woods. Digital Image Processing, Prentice Hall, 2008. Image Enhancement: είναι
Διαβάστε περισσότεραΨηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 8 η : Κατάτμηση Εικόνας
Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 8 η : Κατάτμηση Εικόνας Καθ. Κωνσταντίνος Μπερμπερίδης Πολυτεχνική Σχολή Μηχανικών Η/Υ & Πληροφορικής Σκοποί ενότητας Εισαγωγή στην κατάτμηση εικόνας Τεχνικές
Διαβάστε περισσότεραΨηφιοποίηση και Ψηφιακή Επεξεργασία Εικόνας
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Ψηφιοποίηση και Ψηφιακή Επεξεργασία Εικόνας Ενότητα 11: Επεξεργασία εικόνας Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και
Διαβάστε περισσότερα6-Aνίχνευση. Ακμών - Περιγράμματος
6-Aνίχνευση Ακμών - Περιγράμματος Ανίχνευση ακμών Μετατροπή 2 εικόνας σε σύνολο ακμών Εξαγωγή βασικών χαρακτηριστικών της εικόνας Πιο «συμπαγής» αναπαράσταση Ανίχνευση ακμών Στόχος: ανίχνευση ασυνεχειών
Διαβάστε περισσότεραΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ ΜΕ ΙΣΤΟΓΡΑΜΜΑ
Ψηφιακή Επεξεργασία Εικόνας-ΚΕΦ. -- ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ ΜΕ ΙΣΤΟΓΡΑΜΜΑ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΕΝΤΑΣΕΩΣ Η επεξεργασία εικόνας µέσω του ιστογράµµατος ουσιαστικά αποτελεί µία βασική επεξεργασία εικόνας που ανήκει
Διαβάστε περισσότεραΠροηγµένη ιασύνδεση µε τοπεριβάλλον
Προηγµένη ιασύνδεση µε τοπεριβάλλον! Επεξεργασία φυσικής γλώσσας # Κατανόηση φυσικής γλώσσας # Παραγωγή φυσικής γλώσσας! Τεχνητή όραση! Ροµποτική Κατανόηση Φυσικής Γλώσσας! Αναγνώριση οµιλίας (Speech recognition)!
Διαβάστε περισσότεραΕπεξεργασία ιατρικών εικόνων θυρεοειδούς και εντοπισµός όζων
Επεξεργασία ιατρικών εικόνων θυρεοειδούς και εντοπισµός όζων Μιχάλης Σαβελώνας, ηµήτρης Μαρούλης, ηµήτρης Ιακωβίδης Εθνικό και Καποδιστριακό Πανεπιστήµιο Αθηνών, Τµήµα Πληροφορικής και Τηλεπικοινωνιών
Διαβάστε περισσότεραΚεφάλαιο 8 Ανισοτροπία
Κεφάλαιο 8 Ανισοτροπία Την ανισοτροπία στη μηχανική συμπεριφορά των πετρωμάτων δυνάμεθα να διακρίνουμε σε σχέση με την παραμορφωσιμότητα και την αντοχή τους. 1 Ανισοτροπία της παραμορφωσιμότητας 1.1 Ένα
Διαβάστε περισσότερα