Fractal analysis of MR images in patients with chiari malformation: The importance of preprocessing

Akar, Engin; Kara, Sadık; Akdemir, Hidayet; Kiris, Adem

doi:10.1016/j.bspc.2016.07.005

Cited by 25 publications

(14 citation statements)

References 57 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The image contrast should be improved to curtail these adverse effects. In image processing, initial process is pre-processing procedure [12] for improving the quality of image. The key intend about preprocessing is redundant noise discarding as well as enhance intensity or strength of image.…”

Section: A Pre-processingmentioning

confidence: 99%

Defect Detection of Coatings on Metal Surfaces Based on K-Means Clustering Algorithm

Aslam*,

et al. 2019

IJRTE

View full text Add to dashboard Cite

Defect detection is an important phase for the analysis of the surface quality of products as it influences the subsequent process. The existence of surface defects will affect the corrosion and wear resistance of the end product. The insufficient detection and classification rates of the standard algorithms are infeasible to accomplish the production requirements. Surface defect detection in coated metals with non-destructive techniques is an essential prerequisite for quality analysis in manufacturing stage. The existence of surface defects can significantly alter the deterioration resistance and instinctive qualities of a material and as a result more expansive analysis is essential. This paper proposes a competent and exact approach using K-means algorithm for the detection of surface coating defects. K-means is an unsupervised algorithm used for segmenting the area of interest from background. The proposed method uses a sequence of image processing algorithms to examine and validate the input image real-time accuracy for detection of defects. The proposed method efficiency is featured with test samples and results from experimental analysis. It shows that the proposed method be able to adequately and instinctively recognize the presence of defects inside coatings on metal surfaces.

show abstract

Section: A Pre-processingmentioning

confidence: 99%

Defect Detection of Coatings on Metal Surfaces Based on K-Means Clustering Algorithm

Aslam*,

et al. 2019

IJRTE

View full text Add to dashboard Cite

show abstract

“…Various studies have been done on the analysis of the medical image data and on MRI data. Zook and Iftekharuddin, 9 Esteban et al, 10 Akar et al, 11 Abirami and Karthik 12 and Lahmiri and Boukadoum 13 carried out the detection of tumorous regions (white matter and cerebrospinal fluid) on MRI data through multifractal algorithms.…”

Section: Introductionmentioning

confidence: 99%

Clustering Multiple Sclerosis Subgroups With Multifractal Methods and Self-Organizing Map Algorithm

Karaca

Cattani

2017

Fractals

View full text Add to dashboard Cite

Magnetic resonance imaging (MRI) is the most sensitive method to detect chronic nervous system diseases such as multiple sclerosis (MS). In this paper, Brownian motion Hölder regularity functions (polynomial, periodic (sine), exponential) for 2D image, such as multifractal methods were applied to MR brain images, aiming to easily identify distressed regions, in MS patients. With these regions, we have proposed an MS classification based on the multifractal method by using the Self-Organizing Map (SOM) algorithm. Thus, we obtained a cluster analysis by identifying pixels from distressed regions in MR images through multifractal methods and by diagnosing subgroups of MS patients through artificial neural networks.

show abstract

“…í³ñòü ñêåëåòîâàíî¿ á³ëî¿ ðå÷îâèíè ìîçî÷êà ìîäèô³êîâàíèì ìåòîäîì äèëàòàö³¿ ï³êñåë³â [8], âèçíà÷åíî òðèâèì³ðíèé ôðàêòàëüíèé ³íäåêñ á³ëî¿ òà ñ³ðî¿ ðå÷îâèíè ìîçî÷êà [9]. Êð³ì òîãî, ³ñíóþòü äîñë³äaeåííÿ òîìîãðàì ìîçî÷êà â íîðì³ òà çà ñèíäðîìó Àðíîëüäà-Ê³àð³ ìåòîäîì ï³äðàõóíêó êîì³ðîê [10,11].…”

unclassified

“…Ìàòåð³àë ³ ìåòîäè ßê îá'ºêò äîñë³äaeåííÿ íàìè áóâ îáðàíèé ìîçî÷îê ëþäèíè, á³ëà ðå÷îâèíà ÿêîãî ìàº ôðàêòàëüí³ âëàñòèâîñò³ [8][9][10][11][12][13]. Äëÿ ðîçðîáêè ìåòîäèêè âèêîðèñòàí³ ìàãí³òíî-ðåçîíàíñí³ òîìîãðàìè ãîëîâíîãî ìîçêó, îòðèìàí³ çà äîïîìîãîþ ìàãí³òíî-ðåçîíàíñíîãî òîìîãðàôà Siemens Magneton Concerto (ÔÐÃ) ç³ çíà÷åííÿì ìàãí³òíî¿ ³íäóêö³¿ 1,5 Òë ó ðåaeèìàõ Ò1 ³ Ò2.…”

unclassified

Фрактальний Аналіз Як Морфометричний Метод У Морфології: Спосіб Дилатації Пікселів При Дослідженні Цифрових Зображень Анатомічних Структур

Maryenko¹,

Stepanenko²

2020

МСЗ

View full text Add to dashboard Cite

Розроблено метод дилатації пікселів для розрахунку фрактального індексу мозочка людини за даними магнітно-резонансної томографії. Для дослідження використовують фрагмент цифрового зображення (томограми) мозочка. Зображення калібрують, його фрагмент копіюють у програму Adobe Photoshop CS5, де створюють окреме цифрове зображення з розмірами та роздільною здатністю 2n пікселів на дюйм, де n – кількість етапів підрахунку фрактального індексу. Зображення контрастують і поетапно підраховують фонові, «порожні» та «заповнені» пікселі, що містять фрагменти досліджуваної структури. На кожному етапі вчетверо збільшують розмір одного пікселя і, таким чином, удвічі зменшують роздільну здатність зображення (із 64 пікселів на дюйм до 32, 16, 8, 4 та 2 пікселів на дюйм). За кількістю пікселів, що містять фрагменти досліджуваної структури, і розмірами пікселя відносно загальної площі зображення (box size) обчислюють фрактальний індекс мозочка.

show abstract

Fractal analysis of MR images in patients with chiari malformation: The importance of preprocessing

Cited by 25 publications

References 57 publications

Defect Detection of Coatings on Metal Surfaces Based on K-Means Clustering Algorithm

Defect Detection of Coatings on Metal Surfaces Based on K-Means Clustering Algorithm

Clustering Multiple Sclerosis Subgroups With Multifractal Methods and Self-Organizing Map Algorithm

Фрактальний Аналіз Як Морфометричний Метод У Морфології: Спосіб Дилатації Пікселів При Дослідженні Цифрових Зображень Анатомічних Структур

Contact Info

Product

Resources

About