دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1 نویسندگان: Xiang Xu, Xingkun Wu, Feng Lin (auth.) سری: ISBN (شابک) : 9783319476292, 9783319476285 ناشر: Springer International Publishing سال نشر: 2017 تعداد صفحات: 142 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
کلمات کلیدی مربوط به کتاب طبقه بندی تصاویر سلولی: پردازش سیگنال، تصویر و گفتار، تشخیص الگو، موضوعات فیزیولوژیکی، سلولی و پزشکی
در صورت تبدیل فایل کتاب Cellular Image Classification به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب طبقه بندی تصاویر سلولی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب تکنیکهای جدیدی را برای استخراج ویژگیهای تصویر
سلولی، تشخیص الگو و طبقهبندی معرفی میکند. نویسندگان از آنتی
بادی های ضد هسته ای (ANAs) در سرم بیمار به عنوان افراد و از
تکنیک ایمونوفلورسانس غیرمستقیم (IIF) به عنوان پروتکل
تصویربرداری برای نشان دادن کاربردهای روش های توصیف شده
استفاده می کنند. در سراسر کتاب، نویسندگان ارزیابیهایی را
برای روشهای پیشنهادی بر روی دو مجموعه دادههای سلولی
اپیتلیال انسانی (HEp-2) ارائه میدهند: مجموعه داده ICPR2012
از مسابقه طبقهبندی سلولی ICPR'12 HEp-2 و مجموعه داده آموزشی
ICIP2013 از مسابقه ICIP'13 در طبقه بندی سلول ها با تجزیه و
تحلیل تصویر فلورسنت اول، خواندن نتایج تصویربرداری به طور
قابلتوجهی تحتتاثیر صلاحیت و سیستمهای خواندن فرد قرار
میگیرد و باعث واریانس بالای درون آزمایشگاهی و بین آزمایشگاهی
میشود. نویسندگان یک حالت فیبر LP21 درجه پایین را برای
دستکاری تک سلولی نوری و تصویربرداری از الگوهای رنگ آمیزی سلول
های HEp-2 ارائه می کنند. توزیع حالت چهار لوبی متمرکز در
کاربردهای موچین نوری، از جمله برداشت سلولی انتخابی، جفت شدن،
گروه بندی یا جداسازی، و همچنین چرخش دایمرها و خوشه های سلولی،
پایدار و مؤثر است. هر دو نیروی کشش انتقالی و گشتاور دورانی در
آزمایشها مطابقت خوبی با مدل نظری دارند. با یک پیکربندی ساده
تمام فیبر، و تابش اوج کم به سلول های هدف، ابزار دقیق این
فناوری چاک نوری ابزار قدرتمندی را در آزمایشگاه های ANA-IIF
فراهم می کند. فصلها بر روی سیستمهای نوری، مکانیکی و
محاسباتی برای آزمایشهای بالینی تمرکز دارند. برنامه های
کامپیوتری برای رابط کاربری گرافیکی و کنترل موچین های نوری نیز
مورد بحث قرار گرفته است. با جستجوی همسایههای محلی ویژگی محلی
در منیفولدهای کلاس خاص، بردار فاصله محلی متمایزتر. رمزگذاری و
ادغام بردارهای فاصله محلی منجر به نمایش تصویر برجسته می شود.
در ترکیب با روشهای کدگذاری سنتی، این روش به دقت طبقهبندی
بالاتری دست مییابد. سپس، یک ویژگی بافتی ثابت چرخش الگوهای
سهتایی محلی زوجی با چرخش ثابت (PLTP-SRI) مورد بررسی قرار
میگیرد. نسبت به چرخش تصویر ثابت است، در عین حال در برابر
نویز و نور ضعیف مقاوم است. این روش با افزودن ساختار هرمی
فضایی، اطلاعات چیدمان فضایی را ضبط می کند. در حالی که ویژگی
پیشنهادی PLTP-SRI ویژگی محلی را استخراج می کند، چارچوب BoW یک
نمایش تصویر جهانی ایجاد می کند. منطقی است که آنها را با هم
ترکیب کنیم تا به عملکرد طبقه بندی چشمگیر دست یابیم، زیرا
ویژگی ترکیبی از مزایای دو نوع ویژگی در جنبه های مختلف بهره می
برد. در نهایت، نویسندگان یک ویژگی تکستون تفاضلی همزمان (CoDT)
را برای نمایش تکههای تصویر محلی سلولهای HEp-2 طراحی کردند.
ویژگی CoDT با نادیده گرفتن کوانتیزاسیون، از دست دادن اطلاعات
را کاهش می دهد در حالی که از روابط فضایی بین ویژگی ریز متن
دیفرانسیل استفاده می کند. بنابراین می تواند قدرت تمایز را
افزایش دهد. یک مدل تولیدی به طور تطبیقی فضای ویژگی CoDT
داده های آموزشی را مشخص می کند. علاوه بر این، بهره برداری از
یک نمایش متمایز اجازه می دهد تا تصاویر سلولی HEp-2 بر اساس
فضای ویژگی پارتیشن بندی تطبیقی ایجاد شود. بنابراین، نمایش
حاصل با کار طبقه بندی تطبیق داده می شود. با همکاری با
طبقهبندیکننده ماشین بردار پشتیبان خطی (SVM)، این چارچوب
میتواند از مزایای هر دو رویکرد مولد و افتراقی برای طبقهبندی
تصاویر سلولی بهرهبرداری کند. این کتاب برای آن دسته از محققین
نوشته شده است که مایل به توسعه برنامه های خود هستند و کدهای
MatLab کار برای همه الگوریتم های مهم ارائه شده گنجانده شده
است. همچنین می تواند به عنوان یک کتاب مرجع برای دانشجویان
کارشناسی ارشد و کارشناسی ارشد در زمینه تصویربرداری زیست
پزشکی، استخراج ویژگی های تصویر، تشخیص الگو و طبقه بندی
استفاده شود. دانشگاهیان، محققان و متخصصان این را منبعی
استثنایی می دانند.
This book introduces new techniques for cellular image
feature extraction, pattern recognition and classification.
The authors use the antinuclear antibodies (ANAs) in patient
serum as the subjects and the Indirect Immunofluorescence
(IIF) technique as the imaging protocol to illustrate the
applications of the described methods. Throughout the book,
the authors provide evaluations for the proposed methods on
two publicly available human epithelial (HEp-2) cell
datasets: ICPR2012 dataset from the ICPR'12 HEp-2 cell
classification contest and ICIP2013 training dataset from the
ICIP'13 Competition on cells classification by fluorescent
image analysis. First, the reading of imaging results is
significantly influenced by one’s qualification and reading
systems, causing high intra- and inter-laboratory variance.
The authors present a low-order LP21 fiber mode for optical
single cell manipulation and imaging staining patterns of
HEp-2 cells. A focused four-lobed mode distribution is stable
and effective in optical tweezer applications, including
selective cell pick-up, pairing, grouping or separation, as
well as rotation of cell dimers and clusters. Both
translational dragging force and rotational torque in the
experiments are in good accordance with the theoretical
model. With a simple all-fiber configuration, and low peak
irradiation to targeted cells, instrumentation of this
optical chuck technology will provide a powerful tool in the
ANA-IIF laboratories. Chapters focus on the optical,
mechanical and computing systems for the clinical trials.
Computer programs for GUI and control of the optical tweezers
are also discussed. to more discriminative local distance
vector by searching for local neighbors of the local feature
in the class-specific manifolds. Encoding and pooling the
local distance vectors leads to salient image representation.
Combined with the traditional coding methods, this method
achieves higher classification accuracy. Then, a rotation
invariant textural feature of Pairwise Local Ternary Patterns
with Spatial Rotation Invariant (PLTP-SRI) is examined. It is
invariant to image rotations, meanwhile it is robust to noise
and weak illumination. By adding spatial pyramid structure,
this method captures spatial layout information. While the
proposed PLTP-SRI feature extracts local feature, the BoW
framework builds a global image representation. It is
reasonable to combine them together to achieve impressive
classification performance, as the combined feature takes the
advantages of the two kinds of features in different aspects.
Finally, the authors design a Co-occurrence Differential
Texton (CoDT) feature to represent the local image patches of
HEp-2 cells. The CoDT feature reduces the information loss by
ignoring the quantization while it utilizes the spatial
relations among the differential micro-texton feature. Thus
it can increase the discriminative power. A generative model
adaptively characterizes the CoDT feature space of the
training data. Furthermore, exploiting a discriminant
representation allows for HEp-2 cell images based on the
adaptive partitioned feature space. Therefore, the resulting
representation is adapted to the classification task. By
cooperating with linear Support Vector Machine (SVM)
classifier, this framework can exploit the advantages of both
generative and discriminative approaches for cellular image
classification. The book is written for those researchers who
would like to develop their own programs, and the working
MatLab codes are included for all the important algorithms
presented. It can also be used as a reference book for
graduate students and senior undergraduates in the area of
biomedical imaging, image feature extraction, pattern
recognition and classification. Academics, researchers, and
professional will find this to be an exceptional
resource.
Front Matter....Pages i-ix
Introduction....Pages 1-13
Fundamentals....Pages 15-44
Optical Systems for Cellular Imaging....Pages 45-79
Image Representation with Bag-of-Words....Pages 81-87
Image Coding....Pages 89-103
Encoding Image Features....Pages 105-118
Defining Feature Space for Image Classification....Pages 119-134
Conclusions and Perspectives....Pages 135-137