Andere Kunden interessierten sich auch für
![Segmentación de tumores cerebrales mediante tecnología de impresión 3D]( "Segmentación de tumores cerebrales mediante tecnología de impresión 3D")
Segmentación de tumores cerebrales mediante tecnología de impresión 3D26,99 €![Reconstrucción de espectro de neutrones en LINACs mediante RNA]( "Reconstrucción de espectro de neutrones en LINACs mediante RNA")
Reconstrucción de espectro de neutrones en LINACs mediante RNA23,99 €![Algoritmo de aprendizaje automático mejorado: Gran perspectiva de datos]( "Algoritmo de aprendizaje automático mejorado: Gran perspectiva de datos")
Algoritmo de aprendizaje automático mejorado: Gran perspectiva de datos28,99 €![Detección automática de inundaciones mediante datos de teledetección]( "Detección automática de inundaciones mediante datos de teledetección")
Detección automática de inundaciones mediante datos de teledetección18,99 €![Sistema de detección de despegues mediante ensayos de corrientes de Foucault con compensación de errores]( "Sistema de detección de despegues mediante ensayos de corrientes de Foucault con compensación de errores")
Sistema de detección de despegues mediante ensayos de corrientes de Foucault con compensación de errores27,99 €![Un enfoque basado en tokens para la detección de plagio de código fuente]( "Un enfoque basado en tokens para la detección de plagio de código fuente")
Un enfoque basado en tokens para la detección de plagio de código fuente27,99 €![Esquema de esteganografía de alta capacidad para el JPEG2000 utilizando el algoritmo SPIHT]( "Esquema de esteganografía de alta capacidad para el JPEG2000 utilizando el algoritmo SPIHT")
Esquema de esteganografía de alta capacidad para el JPEG2000 utilizando el algoritmo SPIHT18,99 €
Los tumores cerebrales son una de las enfermedades más peligrosas para la vida, por lo que su detección debe ser rápida y precisa. Esto puede lograrse mediante la ejecución de técnicas automatizadas de detección de tumores en imágenes médicas. Se han propuesto muchas técnicas automatizadas para la segmentación de imágenes. Aquí proponemos una técnica automatizada y eficiente de detección de tumores cerebrales implementada en imágenes de Tomografía de Emisión de Positrones (PET). La simulación del trabajo propuesto se realiza en MATLAB. La segmentación de tumores cerebrales en imágenes de Tomografía por Emisión de Positrones (PET) es una tarea muy difícil e importante para el diagnóstico médico. Esta tesis describe los procesos y técnicas para detectar el tumor cerebral de las imágenes PET utilizando la RNA (Red Neural Artificial) que se aplica la mayoría de la inteligencia artificial en la imagen biomédica para la clasificación y el reconocimiento. En el sistema propuesto, primero se realiza un preprocesamiento y postprocesamiento de las imágenes PET para mejorarlas y luego la imagen procesada es más adecuada para el análisis y la clasificación de las imágenes tumorales. Aquí se utiliza la detección de bordes de Sobel para segmentar las imágenes PET. En la segunda etapa, se extrae el análisis estadístico de las imágenes PET. Los tumores cerebrales son una de las enfermedades más peligrosas para la vida, por lo que su detección debe ser rápida y precisa. Esto puede lograrse mediante la ejecución de técnicas automatizadas de detección de tumores en imágenes médicas. Se han propuesto muchas técnicas automatizadas para la segmentación de imágenes. Aquí proponemos una técnica automatizada y eficiente de detección de tumores cerebrales implementada en imágenes de Tomografía de Emisión de Positrones (PET). La simulación del trabajo propuesto se realiza en MATLAB. La segmentación de tumores cerebrales en imágenes de Tomografía por Emisión de Positrones (PET) es una tarea muy difícil e importante para el diagnóstico médico. Esta tesis describe los procesos y técnicas para detectar el tumor cerebral de las imágenes PET utilizando la RNA (Red Neural Artificial) que se aplica la mayoría de la inteligencia artificial en la imagen biomédica para la clasificación y el reconocimiento. En el sistema propuesto, primero se realiza un preprocesamiento y postprocesamiento de las imágenes PET para mejorarlas y luego la imagen procesada es más adecuada para el análisis y la clasificación de las imágenes tumorales. Aquí se utiliza la detección de bordes de Sobel para segmentar las imágenes PET. En la segunda etapa, se extrae el análisis estadístico de las imágenes PET.