Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Biomedical image data segmentation with using of clustering driven by genetic algorithms

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F18%3A10244410" target="_blank" >RIV/61989100:27240/18:10244410 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://ebooks.iospress.nl/volumearticle/49923" target="_blank" >http://ebooks.iospress.nl/volumearticle/49923</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.3233/978-1-61499-900-3-101" target="_blank" >10.3233/978-1-61499-900-3-101</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Biomedical image data segmentation with using of clustering driven by genetic algorithms

  • Popis výsledku v původním jazyce

    The clustering algorithms, like is the K-means algorithm, are commonly utilized for the biomedical image regional segmentation. One of the major limitations of the clustering algorithms is a definition of the initialization phase. When the initialization distribution of the centroids is improperly set the K-means algorithm is not able to achieve a reliable approximation of the tissues, thus the convergence of such segmentation procedure is significantly limited. Furthermore, when the biomedical image data are corrupted either by the noise, or artefacts, an effectivity of the segmentation is limited as well. We have analyzed a multiregional segmentation model based on the hybrid approach of the K-means algorithm which is driven by the ABC genetic algorithm. We suppose that the initialization distribution of the each cluster&apos;s centroid should reflect minimal variation towards the pixels lying inside the cluster. More the variation is increasing, worse results we obtain. Therefore, we define the fitness function minimizing the inter-cluster variance to obtain an optimal distribution of the image clusters within a predefined number of the ABC algorithm iterations. We have tested the segmentation procedure on a sample of the CT and MR image data, and verified this procedure against standard clustering algorithms. (C) 2018 The authors and IOS Press. All rights reserved.

  • Název v anglickém jazyce

    Biomedical image data segmentation with using of clustering driven by genetic algorithms

  • Popis výsledku anglicky

    The clustering algorithms, like is the K-means algorithm, are commonly utilized for the biomedical image regional segmentation. One of the major limitations of the clustering algorithms is a definition of the initialization phase. When the initialization distribution of the centroids is improperly set the K-means algorithm is not able to achieve a reliable approximation of the tissues, thus the convergence of such segmentation procedure is significantly limited. Furthermore, when the biomedical image data are corrupted either by the noise, or artefacts, an effectivity of the segmentation is limited as well. We have analyzed a multiregional segmentation model based on the hybrid approach of the K-means algorithm which is driven by the ABC genetic algorithm. We suppose that the initialization distribution of the each cluster&apos;s centroid should reflect minimal variation towards the pixels lying inside the cluster. More the variation is increasing, worse results we obtain. Therefore, we define the fitness function minimizing the inter-cluster variance to obtain an optimal distribution of the image clusters within a predefined number of the ABC algorithm iterations. We have tested the segmentation procedure on a sample of the CT and MR image data, and verified this procedure against standard clustering algorithms. (C) 2018 The authors and IOS Press. All rights reserved.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    20600 - Medical engineering

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/TL01000302" target="_blank" >TL01000302: Vývoj zdravotních prostředků jako efektivní investice pro veřejné i soukromé subjekty</a><br>

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2018

  • 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

    Frontiers in Artificial Intelligence and Applications. Volume 303

  • ISBN

    978-1-61499-899-0

  • ISSN

    0922-6389

  • e-ISSN

  • Počet stran výsledku

    7

  • Strana od-do

    101-107

  • Název nakladatele

    IOS Press

  • Místo vydání

    Amsterdam

  • Místo konání akce

    Granada

  • Datum konání akce

    26. 9. 2018

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

    000467457200008