Використання перетворення Карунена-Лоева для аналізу МРТ-зображень людини
Основний зміст сторінки статті
Анотація
Робота присвячена використанню перетворення Карунена-Лоева для аналізу МРТ-зображень. Розглянута специфіка його використання для багатовимірних зображень. Показані можливості використання перетворення Карунена-Лоева для отримання ознак МРТ-зображень. Встановлено, що найбільший внесок у представлення зображення мають декілька перших базисних функцій. Надано рекомендації щодо одного з можливих методів отримання ознак МРТ-зображень для класифікації та діагностики хвороб, що впливають на будову мозку людини.
Бібл. 11, рис. 1.
Блок інформації про статтю
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
Посилання
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.
