RSurf - the Efficient Texture-Based Descriptor for Fluorescence Microscopy Images of HEp-2 Cells

MAJTNER, Tomáš, Roman STOKLASA a David SVOBODA. RSurf - the Efficient Texture-Based Descriptor for Fluorescence Microscopy Images of HEp-2 Cells. In 22nd International Conference on Pattern Recognition. Los Alamitos, California: IEEE Computer Society, 2014, s. 1194-1199. ISBN 978-1-4799-5208-3. Dostupné z: https://dx.doi.org/10.1109/ICPR.2014.215.

Základní údaje

• Originální název: RSurf - the Efficient Texture-Based Descriptor for Fluorescence Microscopy Images of HEp-2 Cells
• Autoři: MAJTNER, Tomáš (703 Slovensko, garant, domácí), Roman STOKLASA (703 Slovensko, domácí) a David SVOBODA (203 Česká republika, domácí).
• Vydání: Los Alamitos, California, 22nd International Conference on Pattern Recognition, od s. 1194-1199, 6 s. 2014.
• Nakladatel: IEEE Computer Society

Další údaje

• Originální jazyk: angličtina
• Typ výsledku: Stať ve sborníku
• Obor: 20200 2.2 Electrical engineering, Electronic engineering, Information engineering
• Stát vydavatele: Spojené státy
• Utajení: není předmětem státního či obchodního tajemství
• Forma vydání: paměťový nosič (CD, DVD, flash disk)
• Kód RIV: RIV/00216224:14330/14:00073550
• Organizační jednotka: Fakulta informatiky
• ISBN: 978-1-4799-5208-3
• ISSN: 1051-4651
• Doi: http://dx.doi.org/10.1109/ICPR.2014.215
• UT WoS: 000359818001053
• Klíčová slova anglicky: texture descriptor;rsurf;hep-2
• Štítky: best, best2, cbia-web, firank_A
• Příznaky: Mezinárodní význam, Recenzováno

Anotace

In biomedical image analysis, object description and classification tasks are very common. Our work relates to the problem of classification of Human Epithelial (HEp-2) cells. Since the crucial part of each classification process is the feature extraction and selection, much attention should be concentrated to the development of proper image descriptors. In this article, we introduce a new efficient texture-based image descriptor for HEp-2 images. We compare proposed descriptor with LBP, Haralick features (GLCM statistics) and Tamura features using the public MIVIA HEp-2 Images Dataset. Our descriptor outperforms all previously mentioned approaches and the classifier based solely on the proposed descriptor is able to achieve the accuracy as high as 87.8%.

Návaznosti

• GBP302/12/G157, projekt VaV: Název: Dynamika a organizace chromosomů během buněčného cyklu a při diferenciaci v normě a patologii

Investor: Grantová agentura ČR, Dynamika a organizace chromosomů během buněčného cyklu a při diferenciaci v normě a patologii

• MUNI/A/0765/2013, interní kód MU: Název: Zapojení studentů Fakulty informatiky do mezinárodní vědecké komunity (Akronym: SKOMU)

Investor: Masarykova univerzita, Zapojení studentů Fakulty informatiky do mezinárodní vědecké komunity, DO R. 2020_Kategorie A - Specifický výzkum - Studentské výzkumné projekty

• MUNI/A/0855/2013, interní kód MU: Název: Rozsáhlé výpočetní systémy: modely, aplikace a verifikace III. (Akronym: FI MAV III.)

Investor: Masarykova univerzita, Rozsáhlé výpočetní systémy: modely, aplikace a verifikace III., DO R. 2020_Kategorie A - Specifický výzkum - Studentské výzkumné projekty