Использование преобразования карунена-лоэва для анализа МРТ - изображений человека
##plugins.themes.bootstrap3.article.main##
Аннотация
Работа посвящена применению преобразования Каренена-Лоэва для анализа МРТ-изображений. Рассмотрена специфика его применения для многомерных изображений. Показаны возможности преобразования Карунена-Лоэва для получения признаков МРТ-изображений. Установлено, что наибольший вклад имеют первые базисные функции. Приведены рекомендации касательно возможных методов получения признаков для классификации и диагностики заболеваний, которые влияют на строение мозга человека.
Библ. 11, рис. 1
##plugins.themes.bootstrap3.article.details##
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, публикующиеся в данном журнале, соглашаются со следующими условиями:- Авторы сохраняют за собой права на авторство своей работы и предоставляют журналу право первой публикации этой работы на условиях лицензии Creative Commons Attribution License, которая позволяет другим лицам свободно распространять опубликованную работу с обязательной ссылокой на авторов оригинальной работы и оригинальную публикацию в этом журнале.
- Авторы сохраняют право заключать отдельные договора на неэксклюзивное распространение работы в том виде, в котором она была опубликована этим журналом (например, размещать работу в электронном архиве учреждения или публиковать в составе монографии), с условием сохраниения ссылки на оригинальную публикацию в этом журнале.
- Политика журнала разрешает и поощряет размещение авторами в сети Интернет (например в институтском хранилище или на персональном сайте) рукописи работы как до ее подачи в редакцию, так и во время ее редакционной обработки, так как это способствует продуктивной научной дискуссии и положительно сказывается на оперативности и динамике цитирования статьи (см. The Effect of Open Access).
Библиографические ссылки
Aggarwal N., Agrawal R. K., (2012), “First and Second Order Statistics Features for Classification of Magnetic Resonance Brain Images“. Journal of Signal and Information Processing. Pр. 146-153.
Alvarez I., Gorriz J. M., Ramirez J., Sals-Gonzalez D., (2009), “Alzheimer’s diagnosis using eigen-brains and support vector machine”. Electronic Letters Vol. 45 (7). Pр. 342-343.
Lahmiri S., Boukadoum M., (2012), “Automatic Brain MR Images Diagnosis Based on Edge Fractal Dimension and Spectral Energy Signature”. 34th Annual International Conference of the IEEE EMBS. Pр. 6243-6246.
Padilla P., Gorriz J. M., Ramirez J., Chaves R., (2010), “Alzheimer’s disease detection in functional images using 2D Gabor wavelet analysis”. Electronic Letters Vol. 46 (8). Pр.556-558.
Polikar R., Tilley C., Hillis B., Clark, C.M., (2010), “Multimodal EEG, MRI and PET data fusion for Alz-heimer's disease diagnosis”. Annual International Conference of the Conference of the IEEE EMBS. – Pр. 6058-6061.
Tuite P.J., Mangia S., Michaeli S., (2013), “Magnetic Resonance Imaging (MRI) in Parkinson’s Dis-ease”. Journal of Alzheimer's Disease & Parkinsonism (JADP) S1:001. doi: 10.4172/2161-0460.S1-001.
Zhang Y., Dong Zh., Wu L., (2011), “A hybrid method for MRI brain image classification”. Expert Sys-tem with Applications 38. Pр. 1049-1053.
Ahmed N., Rao K.R. (1980), “Orthogonal transforms for digital signal processing”. Moscow : Svyaz, 1980. Р. 248.
Krashenyi I.E. (2013), “Methods for Alzheimer’s disease diagnostics”. Electronics and Communica-tions. Vol. 19, №1(78). Pр.15-26.
Prett U., (1982), “Digital signal processing”. Moscow : Mir. Р. 312.
Kholin A.V., (2005), “Human brain anatomy in MRI”. SpBMAPO. Р. 79.
