STOKLASA, Roman a Tomáš MAJTNER. Texture Analysis of 3D Fluorescence Microscopy Images Using RSurf 3D Features. Online. In International Symposium on Biomedical Imaging (ISBI'16). Los Alamitos, California: IEEE Computer Society, 2016, s. 1212-1216. ISBN 978-1-4799-2350-2. Dostupné z: https://dx.doi.org/10.1109/ISBI.2016.7493484.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Texture Analysis of 3D Fluorescence Microscopy Images Using RSurf 3D Features
Autoři STOKLASA, Roman (703 Slovensko, garant, domácí) a Tomáš MAJTNER (703 Slovensko, domácí).
Vydání Los Alamitos, California, International Symposium on Biomedical Imaging (ISBI'16), od s. 1212-1216, 5 s. 2016.
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 elektronická verze "online"
Kód RIV RIV/00216224:14330/16:00087753
Organizační jednotka Fakulta informatiky
ISBN 978-1-4799-2350-2
ISSN 1945-7928
Doi http://dx.doi.org/10.1109/ISBI.2016.7493484
UT WoS 000386377400286
Klíčová slova anglicky RSurf features;HeLa cell images;object recognition;classification;fluorescence microscopy
Štítky cbia-web, firank_B
Příznaky Mezinárodní význam, Recenzováno
Změnil Změnil: RNDr. Pavel Šmerk, Ph.D., učo 3880. Změněno: 13. 5. 2020 19:05.
Anotace
Classification tasks of biomedical images are still interesting topic of research with many possibilities of improvement. A very important part in this task is feature extraction process, where different image descriptors are used. Recently, a new approach of RSurf features was introduced with application in recognition of the 2D HEp-2 cell images. In this work, we present the extension of these features for the 3D volumetric images and demonstrate its superiority in recognition of sub-cellular protein distribution. The performance is tested on public HeLa dataset containing 9 different classes. The presented k-NN classifier based purely on the RSurf 3D features achieves more than 99% accuracy in recognition of the 3D HeLa images.
Návaznosti
GA14-22461S, projekt VaVNázev: Vývoj a studium metod pro kvantifikaci živých buněk (Akronym: Live Cell Quantification)
Investor: Grantová agentura ČR, Development and Study of Methods for Live Cell Quantification
MUNI/A/0935/2015, interní kód MUNázev: 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/0945/2015, interní kód MUNázev: Rozsáhlé výpočetní systémy: modely, aplikace a verifikace V.
Investor: Masarykova univerzita, Rozsáhlé výpočetní systémy: modely, aplikace a verifikace V., DO R. 2020_Kategorie A - Specifický výzkum - Studentské výzkumné projekty
MUNI/A/1159/2014, interní kód MUNázev: Rozsáhlé výpočetní systémy: modely, aplikace a verifikace IV.
Investor: Masarykova univerzita, Rozsáhlé výpočetní systémy: modely, aplikace a verifikace IV., DO R. 2020_Kategorie A - Specifický výzkum - Studentské výzkumné projekty
VytisknoutZobrazeno: 21. 7. 2024 06:21