OU Portal
  • Log In
  • Welcome
  • Applicants
Z6_60GI02O0O8IDC0QEJUJ26TJDI4
{}

Pomocí tohoto dialogu můžete vyhledat domácí autory, čili autory, kteří jsou vedeni v personálních systémech Ostravské univerzity.

Do našeptávače níže napište hledaný text a tento text bude vyhledán ve jméně nebo příjmení autora. Autoři, kteří budou hledanému textu odpovídat, Vám budou nabídnuti v seznamu. Pomocí myši nebo šipek na klávesnici vyberte požadovaného autora.

Našeptávač : 
Přidat autora k záznamu Zavřít

Pomocí tohoto dialogu můžete k záznamu přidat cizího autora, čili autora, který nemá žádný pracovní ani studijní vztah k Ostravské univerzitě. Takto přidaný autor bude do RIV vykázán jako nedomácí.

Pro přidání autora vepište jeho jméno a příjmení do určených položek.

Jméno :
Příjmení :
Přidat k záznamu Zavřít
Zavřít

Pomocí tohoto dialogu můžete k záznamu nahrát soubor PDF. Tento soubor musí obsahovat text tohoto záznamu (text článku, knihy, atd.). Tento soubor je důležitý pro RIV, protože může být použit jako důkaz existence tohoto záznamu.

Pro nahrání souboru klikněte na tlačítko Browse a vyberte soubor, který chcete nahrát. Nahrávání souboru zahájíte tlačítkem Nahrát soubor.

Maximální velikost souboru PDF je omezena na 100 MB.

Soubor : 

Nahrát soubor
Zavřít

Pomocí tohoto dialogu můžete stáhnout PDF soubor přiřazený tomuto záznamu. Pro stažení souboru klikněte níže na název tohoto souboru a bude Vám nabídnuta možnost soubor uložit.

Věnujte prosím pozornost také velikosti PDF souboru. Velké soubory se mohou stahovat delší dobu, pokud máte pomalé internetové připojení.

Název souboru :
Velikost souboru :
Zavřít
Publikační činnost


preloading...   Probíhá načítání, čekejte prosím...
publicationId :
tempRecordId :
actionDispatchIndex :
navigationBranch :
pageMode :
tabSelected :
isRivValid :
Typ záznamu * : článek v odborném periodiku (J)
Domácí pracoviště * : Centrum zdravotnického výzkumu (11701)
Název * : A survey of feature detection methods for localisation of plain sections of axial brain magnetic resonance imaging
Citace : Martinů, J., Novotný, J., Adámek, K., Čermák, P., Kozel, J. a Školoudík, D. A survey of feature detection methods for localisation of plain sections of axial brain magnetic resonance imaging. Biomedical Signal Processing and Control. 2023, 82(duben 2023), ISSN 1746-8094.
Podnázev :
Rok * : 2023
Obor * :
Kód ISSN * : 1746-8094
Oficiální název periodika * : Biomedical Signal Processing and Control
Stát vydavatele periodika * : Nizozemsko
Svazek periodika * : 82
Číslo periodika v rámci svazku * : duben 2023
Číslo článku : 104611
Ročník :
Počet stran článku * : 24
Strana od * : neuvedeno
Strana do * : neuvedeno
Kód UT WoS : 000925845400001
EID : 2-s2.0-85146707007
Poddruh recenzovaného článku : Článek v impaktovaném časopise (Jimp)
Klíčová slova anglicky * :
Computer visions; Feature detection; Image processing; Magnetic resonance imaging; Medical imaging
Popis v původním jazyce * :
Matching MRI brain images between patients or mapping patients’ MRI slices to the simulated atlas of a brain is key to the automatic registration of MRI of a brain. The ability to match MRI images would also enable such applications as indexing and searching MRI images among multiple patients or selecting images from the region of interest. In this work, we have introduced robustness, accuracy and cumulative distance metrics and methodology that allows us to compare different techniques and approaches in matching brain MRI of different patients or matching MRI brain slice to a position in the brain atlas. To that end, we have used feature detection methods AGAST, AKAZE, BRISK, GFTT, HardNet, and ORB, which are established methods in image processing, and compared them on their resistance to image degradation and their ability to match the same brain MRI slice of different patients. We have demonstrated that some of these techniques can correctly match most of the brain MRI slices of different patients. When matching is performed with the atlas of the human brain, their performance is significantly lower. The best performing feature detection method was a combination of SIFT detector and HardNet descriptor that achieved 93% accuracy in matching images with other patients and only 52% accurately matched images when compared to atlas. © 2023 Elsevier Ltd
Popis v anglickém jazyce * :
Typ zdroje financování výsledku * : Jiné veřejné zdroje
Seznam projektů :
ID Projektu Název projektu
Seznam ohlasů : 
Ohlas
R01:

© 2019 Centre for Information Technology

  • Technická podpora :
  • Mgr. Olga Blahutová (phone: +420 597 091 129, phone flap for UO: 1129)
  • Ing. Lucie Svitaneková (phone: +420 597 091 108, phone flap for UO: 1108)
Complementary Content
  • ${title}${badge}
${loading}