Texture Analysis of 3D Fluorescence Microscopy Images Using RSurf 3D Features
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14330%2F16%3A00087753" target="_blank" >RIV/00216224:14330/16:00087753 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1109/ISBI.2016.7493484" target="_blank" >http://dx.doi.org/10.1109/ISBI.2016.7493484</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/ISBI.2016.7493484" target="_blank" >10.1109/ISBI.2016.7493484</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Texture Analysis of 3D Fluorescence Microscopy Images Using RSurf 3D Features
Popis výsledku v původním jazyce
Classification tasks of biomedical images are still interesting topic of research with many possibilities of improvement. A very important part in this task is feature extraction process, where different image descriptors are used. Recently, a new approach of RSurf features was introduced with application in recognition of the 2D HEp-2 cell images. In this work, we present the extension of these features for the 3D volumetric images and demonstrate its superiority in recognition of sub-cellular protein distribution. The performance is tested on public HeLa dataset containing 9 different classes. The presented k-NN classifier based purely on the RSurf 3D features achieves more than 99% accuracy in recognition of the 3D HeLa images.
Název v anglickém jazyce
Texture Analysis of 3D Fluorescence Microscopy Images Using RSurf 3D Features
Popis výsledku anglicky
Classification tasks of biomedical images are still interesting topic of research with many possibilities of improvement. A very important part in this task is feature extraction process, where different image descriptors are used. Recently, a new approach of RSurf features was introduced with application in recognition of the 2D HEp-2 cell images. In this work, we present the extension of these features for the 3D volumetric images and demonstrate its superiority in recognition of sub-cellular protein distribution. The performance is tested on public HeLa dataset containing 9 different classes. The presented k-NN classifier based purely on the RSurf 3D features achieves more than 99% accuracy in recognition of the 3D HeLa images.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
JD - Využití počítačů, robotika a její aplikace
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GA14-22461S" target="_blank" >GA14-22461S: Vývoj a studium metod pro kvantifikaci živých buněk</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2016
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
International Symposium on Biomedical Imaging (ISBI'16)
ISBN
9781479923502
ISSN
1945-7928
e-ISSN
—
Počet stran výsledku
5
Strana od-do
1212-1216
Název nakladatele
IEEE Computer Society
Místo vydání
Los Alamitos, California
Místo konání akce
Praha
Datum konání akce
1. 1. 2016
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—