Multiresolution analysis has been u

Multiresolution analysis has been useful in so many applications from image compression to image de-noising and
classification. Several methods using wavelet have been proposed for feature extraction in mammograms. Liu et al. proved that multiresolution analysis of mammograms improve the effectiveness of the diagnosis system based on wavelets coefficients. In their mammogram analysis study, they use a set of statistical features with binary tree classifier
in their diagnosis system to detect the spiculated mass. The achieved successful rate was 84.2%. Mousa et al. proposed system based on wavelet analysis and used the Adaptive Neuro-Fuzzy Inference System (ANFIS) for building the classifier to distinguish between mass and microcalcification, the maximum classification rate obtained was 85.4%. Rashed et al. studied the multiresolution analysis of digital mammogram using wavelet transform. They used Euclidean distance to classify between micro-calcification clusters, spiculated mass, circumscribed mass, ill-defined mass and normal mammogram. The maximum classification rate achieved was 87.06%. Ferreira and Borges [9] proposed system to classify the mammogram images by transforming the images into wavelet bases and then using a sets of coefficients from first level of decomposition as the feature vector toward separating micro-calcification clusters, spiculated mass, circumscribed mass, and normal classes of image. The maximum classification rate achieved was 94.85%. Curvelet was developed by Candes and Donoho [10], for providing efficient representation of smooth objects with discontinuities along curves. Detecting and enhancing the boundaries between different structures is very important in image processing, especially in medical imaging. Some studies using curvelet transform in image processing have been done. Ali et al. presented a curvelet approach for the fusion of Magnetic Resonance (MR) and Computed Tomography (CT) images. They found that curvelet transform achieved good results in their fusion. Bind and Tahan presented a method for object detection of speckle image based on curvelet transform. They constructed a segmentation method which provides a sparse expansion for typical images having smooth contours. Murtagh and Stark used second, third and fourth order moment of Multiresolution transform (wavelet and curvelet) coefficients as features, and K-nearest neighbors supervised classifier for image classification process.

ผลลัพธ์ (ไทย) 1:

Multiresolution วิเคราะห์ได้รับประโยชน์ในโปรแกรมประยุกต์มากจากการบีบอัดภาพการ de-noising ภาพ และจัดประเภทการ ได้รับการเสนอหลายวิธีใช้ wavelet การสกัดคุณลักษณะใน mammograms Al. ร้อยเอ็ดเล่าพิสูจน์ว่า multiresolution วิเคราะห์ mammograms ปรับปรุงประสิทธิภาพของระบบวินิจฉัยตาม wavelets สัมประสิทธิ์ ในการศึกษาวิเคราะห์การเอ็กซเรย์เต้านม ที่มีใช้ชุดของสถิติการทำงานกับ classifier นารีในระบบของพวกเขาการวินิจฉัยการตรวจ spiculated มวล อัตราการประสบความสำเร็จทำได้ถูก 84.2% Mousa et al. นำเสนอระบบที่ใช้วิเคราะห์ wavelet และใช้การปรับสมองพร่าเลือนข้อระบบ (ANFIS) สำหรับอาคารที่ classifier เพื่อแยกระหว่างมวลและ microcalcification, 85.4% มีอัตราสูงสุดประเภทที่ได้รับ โดยกอรี et al. ศึกษาวิเคราะห์ multiresolution เอ็กซเรย์เต้านมแบบดิจิทัลที่ใช้แปลง wavelet พวกเขาใช้แบบยุคลิดงานระหว่างไมโคร calcification คลัสเตอร์ spiculated มวล มวล circumscribed มวล ill-defined และเอ็กซเรย์เต้านมปกติ 87.06% อัตราสูงสุดประเภทที่ประสบความสำเร็จได้ Ferreira และ Borges [9] นำเสนอระบบการจัดประเภทภาพเอ็กซเรย์เต้านม โดยเปลี่ยนภาพฐาน wavelet และใช้ชุดของสัมประสิทธิ์จากระดับแรกของการแยกส่วนประกอบเป็นเวกเตอร์ลักษณะไปทางแยกคลัสเตอร์ไมโคร calcification, spiculated มวล circumscribed มวล และปกติชั้นของภาพ 94.85% อัตราสูงสุดประเภทที่ประสบความสำเร็จได้ Curvelet ถูกพัฒนา โดย Candes และ Donoho [10], ให้แสดงประสิทธิภาพของวัตถุเรียบกับ discontinuities ตามเส้นโค้ง ตรวจสอบ และเพิ่มขอบระหว่างโครงสร้างที่แตกต่างกันเป็นสิ่งสำคัญมากในการประมวลผล โดยเฉพาะอย่างยิ่งในทางการแพทย์ภาพภาพ บางการศึกษาใช้การแปลง curvelet ในการประมวลผลภาพได้แล้ว Ali et al. แสดงวิธี curvelet สำหรับฟิวชั่นภาพแม่เหล็กสั่นพ้อง (MR) และเครื่องเอ็กซเรย์คอมพิวเตอร์ที่คำนวณ (CT) พวกเขาพบแปลง curvelet ที่ได้ผลดีในการฟิวชั่น ผูกและ Tahan นำเสนอวิธีการในการตรวจจับวัตถุรูป speckle ตามแปลง curvelet พวกเขาสร้างวิธีแบ่งที่ให้ขยายบ่อในรูปทั่วไปที่มีรูปทรงเรียบ Murtagh และท่าใช้สอง สาม และสี่เวลาสั่ง Multiresolution แปลงสัมประสิทธิ์ (wavelet และ curvelet) เป็นลักษณะการทำงาน และ classifier สำหรับกระบวนการจัดประเภทรูปแบบมีผู้สอน K ใกล้บ้าน

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์ multiresolution ได้รับประโยชน์ในการใช้งานจำนวนมากจากการบีบอัดภาพกับภาพ de-noising
และการจัดหมวดหมู่ โดยใช้วิธีการหลายวิธีเวฟได้รับการเสนอในการสกัดคุณลักษณะใน mammograms หลิว et al, ได้รับการพิสูจน์ว่าการวิเคราะห์ของ multiresolution mammograms ปรับปรุงประสิทธิภาพของระบบการวินิจฉัยขึ้นอยู่กับค่าสัมประสิทธิ์แสง ในการศึกษาวิเคราะห์การคัดกรองของพวกเขาพวกเขาใช้ชุดของคุณลักษณะทางสถิติกับลักษณนามต้นไม้ไบนารีในระบบของการวินิจฉัยในการตรวจสอบมวล spiculated
อัตราการประสบความสำเร็จที่ประสบความสำเร็จเป็น 84.2% มูซา, et al ระบบที่นำเสนอบนพื้นฐานของการวิเคราะห์เวฟและใช้ Adaptive ประสาทฝอยระบบการอนุมาน (ANFIS) สำหรับการสร้างลักษณนามที่จะแยกแยะระหว่างมวลและ microcalcification อัตราสูงสุดที่ได้รับการจัดหมวดหมู่เป็น 85.4% Rashed et al, ศึกษาวิเคราะห์ multiresolution ของการคัดกรองดิจิตอลโดยใช้แปลงเวฟเล็ต พวกเขาใช้ระยะทางยุคลิดที่จะจัดระหว่างกลุ่มกลายเป็นปูนไมโครมวล spiculated, circumscribed มวลมวลป่วยกำหนดและคัดกรองปกติ อัตราการจัดหมวดหมู่ที่ประสบความสำเร็จสูงสุดเป็น 87.06% Ferreira และ Borges [9] ระบบที่นำเสนอในการจำแนกภาพการคัดกรองโดยการเปลี่ยนภาพลงในฐานเวฟแล้วใช้ชุดของสัมประสิทธิ์จากระดับแรกของการย่อยสลายเป็นเวกเตอร์คุณลักษณะที่มีต่อการแยกกลุ่มกลายเป็นปูนไมโครมวล spiculated มวล circumscribed และ ชั้นเรียนปกติของภาพ อัตราการจัดหมวดหมู่ที่ประสบความสำเร็จสูงสุดเป็น 94.85% Curvelet รับการพัฒนาโดย Candes และ Donoho [10], สำหรับการให้บริการเป็นตัวแทนที่มีประสิทธิภาพของวัตถุได้อย่างราบรื่นต่อเนื่องพร้อมกับเส้นโค้ง การตรวจสอบและการเสริมสร้างเขตแดนระหว่างโครงสร้างที่แตกต่างกันเป็นสิ่งที่สำคัญมากในการประมวลผลภาพโดยเฉพาะอย่างยิ่งในการถ่ายภาพทางการแพทย์ บางการศึกษาโดยใช้ curvelet เปลี่ยนในการประมวลผลภาพที่ได้รับการกระทำ อาลีอัลเอต นำเสนอวิธีการ curvelet สำหรับฟิวชั่นของคลื่นสนามแม่เหล็ก (MR) และการตรวจเอกซเรย์คอมพิวเตอร์ (CT) ภาพ พวกเขาพบว่า curvelet แปลงบรรลุผลที่ดีในการฟิวชั่นของพวกเขา ผูก Tahan และนำเสนอวิธีการในการตรวจหาวัตถุที่จุดของภาพขึ้นอยู่กับ curvelet เปลี่ยน พวกเขาสร้างวิธีการแบ่งส่วนซึ่งมีการขยายตัวเบาบางสำหรับภาพทั่วไปมีรูปทรงเรียบ Murtagh และสตาร์ใช้สองช่วงเวลาเพื่อที่สามและสี่ของ multiresolution เปลี่ยน (เวฟและ curvelet) สัมประสิทธิ์เป็นคุณสมบัติและเพื่อนบ้านที่ใกล้ที่สุด K-ดูแลลักษณนามสำหรับขั้นตอนการจัดหมวดหมู่ของภาพ

ผลลัพธ์ (ไทย) 3:

ผลการวิเคราะห์ที่ได้ใช้ประโยชน์ในการบีบอัดมากจากภาพ de-noising ภาพ
การจำแนก หลายวิธีการใช้เวฟเล็ตได้ถูกเสนอให้คุณลักษณะการสกัดในเต้า . Liu et al . พิสูจน์ได้ว่าผลการวิเคราะห์ของเต้าปรับปรุงประสิทธิภาพของการวินิจฉัยระบบบนพื้นฐานของคลื่นที่ค่าสัมประสิทธิ์ ในแมมโมแกรมวิเคราะห์ศึกษาพวกเขาใช้ชุดคุณลักษณะทางสถิติกับต้นไม้ไบนารีแบบ
ในระบบการวินิจฉัยการตรวจสอบมวล spiculated . ความสำเร็จในอัตรา 84.2 % มูซา et al . เสนอระบบที่ใช้ ในการวิเคราะห์เวฟเล็ตและใช้ระบบประสาทฟัซซี่แบบอนุมาน ( anfis ) สำหรับอาคาร การจำแนกแยกแยะระหว่างมวลและ microcalcification ,สูงสุดอัตราการจำแนกได้เป็น 85.4 % Rashed et al . การศึกษาผลการวิเคราะห์ของ Digital Mammogram โดยใช้การแปลงเวฟ . พวกเขาใช้เพื่อจำแนกหินปูนระยะทางแบบยุคลิดระหว่างไมโครคลัส spiculated มวล มวลมวล และพื้นที่ที่ จํากัด จะกำหนดเอ็กซเรย์เต้านมปกติ การจำแนกสูงสุดได้ถูก 87.06 %Ferreira Borges [ 9 ] และระบบวิเคราะห์ภาพเอ็กซเรย์เต้านม โดยเปลี่ยนรูปเป็นละลอก ฐาน แล้วใช้ชุดของสัมประสิทธิ์จากระดับแรกของการสลายตัวเป็นเวกเตอร์ลักษณะการเสื่อมต่อไมโครคลัส spiculated มวล พื้นที่ที่ จํากัด มวล และชั้นเรียนปกติของภาพ การจำแนกสูงสุดได้ถูก 94.85 %ยู่และถูกพัฒนาขึ้นโดย candes ดอนเนอโฮ [ 10 ] เพื่อให้ตัวแทนที่มีประสิทธิภาพของวัตถุเรียบต่อเนื่องไปตามเส้นโค้ง การตรวจหาและการเพิ่มขอบเขตระหว่างโครงสร้างที่แตกต่างกันเป็นสิ่งสำคัญมากในการประมวลผลภาพ โดยเฉพาะอย่างยิ่งในการถ่ายภาพทางการแพทย์ บางการศึกษาที่ใช้ในการประมวลผลภาพยู่แปลงเรียบร้อยแล้ว Ali et al .เสนอยู่แนวทางการเรโซแนนซ์แม่เหล็ก ( MR ) และการถ่ายภาพรังสีส่วนตัดอาศัยคอมพิวเตอร์ ( CT ) ภาพ พวกเขาพบว่าได้ผลดีในการยู่ในแปลงของตนเอง ตาบอดและต้องการนำเสนอวิธีการสำหรับการตรวจจับวัตถุของภาพตามจุดยู่ในแปลง .พวกเขาสร้างวิธีการซึ่งมีการขยายตัวมากสำหรับภาพทั่วไปมีรูปทรงเรียบ murtagh และสตาร์คใช้ที่สอง สามและสี่เพื่อช่วงเวลาของการแปลง ( และการวิเคราะห์เวฟเล็ตยู่ ) สัมประสิทธิ์เป็นคุณสมบัติ และกระบวนการการดูแลเพื่อนบ้านละ 1 ภาพ