Крах современных экспозиций при записи рентгеновских изображений в медицине

Боковая панель статьи

PDF (English)
Опубликован: Oct 9, 2024
DOI: https://doi.org/10.62132/ijdt.v7i3.205
Ключевые слова:
глубокое обучение, компьютерная томография, цветные изображения, медицинское применение в современной медицине

Основное содержимое статьи

Отабек Исмаилов
International School of Finance technology and Science Institute
Хосият Темирова
Ташкентский университет информационных технологий имени Мухаммада ал-Хорезми

Аннотация

В данной статье рассмотрены методы и алгоритмы обработки и диагностики рентгеновских изображений, которые сегодня широко используются в медицине. С целью улучшения реализации глубокого обучения в современной медицине и дальнейшего улучшения широкого использования HML были проанализированы метод, алгоритм и модель обработки рентгеновских изображений с помощью устройства Raspberry Pi.

Информация о статье

Как цитировать
Исмаилов, О., & Темирова, Х. (2024). Крах современных экспозиций при записи рентгеновских изображений в медицине. Международный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий, 7(3), 117–122. https://doi.org/10.62132/ijdt.v7i3.205
Выпуск
Том 7 № 3 (2024): Международный журнал теоретических и прикладных вопросов цифровых технологий
Раздел
Articles
Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Библиографические ссылки

Tian S., Dai N., Zhang B., Yuan F., Yu Q., Cheng X. Automatic classification and segmentation of teeth on 3D dental model using hierarchical deep learning networks. IEEE Access. 2019; 7:84817–84828. doi: 10.1109/ACCESS.2019.2924262.

Megalan Leo L., Kalapalatha Reddy T. Learning compact and discriminative hybrid neural network for dental caries classification. Microprocessors and Micro-systems. 2021; 82 doi: 10.1016/j.micpro.2021. 103836.103836

Koundal D., Gupta S., Singh S. Automated delineation of thyroid nodules in ultrasound images using spatial neutrosophic clustering and level set. Applied Soft Computing. 2016; 40:86–97. doi: 10.1016/j.asoc.2015.11.035.

Aggarwal S., Gupta S., Alhudhaif A., Koundal D., Gupta R., Polat K. Automated COVID‐19 detection in chest X‐ray images using fine‐tuned deep learning architectures. Expert Systems. 2021;39(3) doi:10.1111/exsy.12749.

Shah N. Recent advances in imaging technologies in dentistry. World Journal of Radiology. 2014;6(10):794–807.

Masic F. Information systems in dentistry. Acta Informatica Medica . 2012;20(1):47–55. doi: 10.5455/aim.2012.20.47-55.

Nair R., Alhudhaif A., Koundal D., et al. Deep learning-based COVID-19 detection system using pulmonary CT scans. Turkish journal OF electrical engineering & computer sciences. 2021; 29 (SI-1):2716–2727. doi: 10.3906/elk-2105-243.

Niazi M. K. K., Parwani A. v., Gurcan M. N. Digital pathology and artificial intelligence. The Lancet Oncology . 2019; 20(5):e253–e261. doi: 10.1016/S1470-2045(19)30154-8.

Vishwakarma S. K., Verma S. S., Nair R., Roy V., Agrawal A. Detection of sleep apnea through heart rate signal using convolutional neural network. International Journal of Pharmaceutical Research. 2021; 12(4)

Yılmaz H., Keleş S. Recent methods for diagnosis of dental caries in dentistry. Meandros Medical and Dental Journal. 2018;19(1):1–8.

Bhalla K., Koundal D., Bhatia S., Khalid Imam Rahmani M., Tahir M. Fusion of infrared and visible images using fuzzy based siamese convolutional network. Computers, Materials & Continua. 2022;70(3):5503–5518. doi: 10.32604/cmc.2022.021125.

Singh P., Kaur R. An integrated fog and Artificial Intelligence smart health framework to predict and prevent COVID-19. Global transitions. 2020;2:283–292.

Singh P., Kaur R. Implementation of the QoS framework using fog computing to predict COVID-19 disease at early stage. World Journal of Engineering. 2021;19(1):80–89. doi: 10.1108/wje-12-2020-0636.