19,99 €
inkl. MwSt.
Versandfertig in 6-10 Tagen
10 °P sammeln
Andere Kunden interessierten sich auch für
![Clasificación del Grado de Astrocitoma Cerebral Infantil]( "Clasificación del Grado de Astrocitoma Cerebral Infantil")
Clasificación del Grado de Astrocitoma Cerebral Infantil40,99 €![Segmentación de imágenes SAR usando curvas B-Spline]( "Segmentación de imágenes SAR usando curvas B-Spline")
Segmentación de imágenes SAR usando curvas B-Spline29,99 €![Extracción automática de la red de carreteras a partir de imágenes del THRS]( "Extracción automática de la red de carreteras a partir de imágenes del THRS")
Extracción automática de la red de carreteras a partir de imágenes del THRS29,99 €![Selección de marcadores en la segmentación morfológica por Watershed]( "Selección de marcadores en la segmentación morfológica por Watershed")
Selección de marcadores en la segmentación morfológica por Watershed23,99 €![Detección Automática de Agrupamiento de Microcalcificaciones]( "Detección Automática de Agrupamiento de Microcalcificaciones")
Detección Automática de Agrupamiento de Microcalcificaciones51,99 €![Marca de agua inteligente aplicada a los billetes electrónicos]( "Marca de agua inteligente aplicada a los billetes electrónicos")
Marca de agua inteligente aplicada a los billetes electrónicos32,99 €![Redes neuronales en el reconocimiento de imágenes médicas]( "Redes neuronales en el reconocimiento de imágenes médicas")
Redes neuronales en el reconocimiento de imágenes médicas38,99 €
La mamografía es el método no invasivo más empleado en la detección del cáncer de mamas; puesto que es una prueba que permite el diagnóstico en la fase pre clínica. Por esta razón, los Sistemas de Diagnóstico Asistidos por Computadora (CAD) son de gran ayuda para la detección / clasificación de anormalidades en las imágenes de mamografías, ya que le proporcionan una segunda opinión al personal médico especializado. En este trabajo se propone un método que combina técnicas de procesamiento digital de imágenes y redes neuronales artificiales, para la segmentación automática de lesiones patológicas en imágenes de mamografías y su corroboración mediante la clasificación con las redes neuronales FeedForward Backpropagation, Learning Vector Quantization y la red Probabilística. El algoritmo propuesto se validó con éxito en la base de datos de la Sociedad de Análisis de Imágenes de Mamografías (MiniMIAS), por un conjunto de datos formado por 100 imágenes seleccionadas de forma aleatoria.