Please use this identifier to cite or link to this item:
https://er.nau.edu.ua/handle/NAU/52629Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Тростенюк, Дарина Сергіївна | - |
| dc.contributor.author | Trosteniuk, Daryna | - |
| dc.date.accessioned | 2021-09-28T06:47:55Z | - |
| dc.date.available | 2021-09-28T06:47:55Z | - |
| dc.date.issued | 2021-09-27 | - |
| dc.identifier.uri | https://er.nau.edu.ua/handle/NAU/52629 | - |
| dc.description | Робота публікується згідно наказу Ректора НАУ від 27.05.2021 р. №311/од "Про розміщення кваліфікаційних робіт здобувачів вищої освіти в репозиторії університету". Керівник проекту: доцент, к. т. н., Мірошниченко Олександра Сергіївна | uk_UA |
| dc.description.abstract | Робота присвячена порівнянню ефективності сучасних алгоритмів сегментації МРзображень мозку людини. Точність існуючих методів автоматичної обробки зображень не досліджена всебічно. Традиційно ділянки мозку сегментуються вручну, і ручна сегментація вважається золотим стандартним підходом навіть сьогодні. Однак цей простий метод є суб’єктивним та надзвичайно трудомістким, а отже, нездійсненним для великих наборів даних МРТ. Для подолання цих обмежень було запропоновано кілька автоматизованих засобів сегментації, включаючи широко використовувані некомерційні метод Freesurfer та набуваючий популярності, розроблений в Кореї, Inbrain. | uk_UA |
| dc.description.abstract | The work is devoted to the comparison of the efficiency of modern algorithms for segmentation of MR images of the human brain. The accuracy of existing methods of automatic image processing has not been thoroughly studied. Traditionally, areas of the brain are segmented manually, and manual segmentation is considered the gold standard approach even today. However, this simple method is subjective and extremely time consuming, and therefore not feasible for large MRI datasets. To overcome these limitations, several automated segmentation tools have been proposed, including the widely used nonprofit Freesurfer method and the popular Korean-developed Inbrain. | uk_UA |
| dc.description.sponsorship | 1. WHO. The Top Ten Causes of Death [Electronic resourse]. – 2018. 2. Юр’єва, К. О. Прогнозування патологічних змін на електроенцефалограмі методами нелінійної динаміки / Юр’єва К. О., Білошицька О. К. // Біомедична інженерія і технологія. – 2020. – №3. – С. 54-60 3. Аналіз сучасних методів візуалізації даних в неврології і нейрохірургії з точки зору їх діагностичної цінності [Електронний ресурс] – 2020 4. Kassubek, J. The Application of Neuroimaging to Healthy and Diseased Brains: Present and Future. [Electronic resourse]. – 2017 5. Oldendorf W., Oldendorf W. Advantages and Disadvantages of MRI. In: Basics of Magnetic Resonance Imaging. Topics in Neurology (Oldendorf, Basics of Magnetic Resonance Imaging) [Electronic resourse]. – 1988 6. Magnetic Resonance Imaging Market Size, Share & Trends Analysis Report By Architecture, By Field Strength, By Application (Brain & Neurological, Spine & Musculoskeletal), By End-use, By Region, And Segment Forecasts, 2021 - 2028 [Electronic resourse]. – 2020 7. Кластерний аналіз фрактальної розмірності мозочка людини / Мар’єнко Н.І. // Український журнал медицини, біології та спорту [Електронний ресурс] – 2020 – № 5 8. Editorial: Artificial Intelligence for Medical Image Analysis of Neuroimaging [Electronic resourse]. – 2020 9. Ivana Despotoviс MRI Segmentation of the Human Brain: Challenges, Methods, and Applications [Electronic resourse]. – 2015 10. Automatic detection of brain contours in MRI datasets. IEEE Trans Image Process. [Electronic resourse]. – 1993 11. Magnetic resonance image tissue classification using a partial volume [Electronic resourse]. – 2001 12. Simple paradigm for extra-cerebral tissue removal: algorithm and analysis [Electronic resourse]. – 2011 13. Automatic segmentation of brain MRI using a novel patch-wise U-net deep architecture [Electronic resourse]. – 2011 14. Skull stripping using graph cuts [Electronic resourse]. – 2011 15. Model creation and deformation for the automatic segmentation of the brain in MR images [Electronic resourse]. – 1999 16. Difficulties of T1 brain MRI segmentation techniques, medical imaging [Electronic resourse]. – 1999 17. Galdames FJ. An accurate skull stripping method based on simplex meshes and histogram analysis in magnetic resonance images [Electronic resourse]. – 1999 18. ASM based automated skull stripping method from infantile brain MR images [Electronic resourse]. – 1999 19. Bauer S. A skull-stripping filter for ITK [Electronic resourse]. – 2012 20. Robust brain extraction across datasets and comparison with publicly available methods. [Electronic resourse]. – 2011 21. Sled J. A nonparametric method for automatic correction of intensity nonuniformity in MRI data[Electronic resourse]. – 1998 22. Fischl B. FreeSurfer. [Electronic resourse]. – 2012 23. Yoon HM. Selection and reporting of statistical methods to assess reliability of a diagnostic test: conformity to recommended methods 51 in a peer-reviewed journal [Electronic resourse]. – 2017 24. Neuropathology of patients with COVID-19 in Germany: a post-mortem case series [Electronic resourse]. – 2020 25. Neuroimaging Findings of Hospitalized Covid-19 Patients: A Canadian Retrospective Observational [Electronic resourse]. – 2021 26. The Spectrum of Neuroimaging findings on CT and MRI in Adults with Coronavirus Disease (COVID-19) [Electronic resourse]. – 2020 | uk_UA |
| dc.language.iso | uk | uk_UA |
| dc.publisher | Національний авіаційний університет | uk_UA |
| dc.subject | кваліфікаційна робота | uk_UA |
| dc.subject | qualification work | uk_UA |
| dc.subject | магнітно-разонансна томографія | uk_UA |
| dc.subject | magnetic resonance imaging | uk_UA |
| dc.subject | сегментація | uk_UA |
| dc.subject | segmentation | uk_UA |
| dc.subject | медичні зображення | uk_UA |
| dc.subject | medical images | uk_UA |
| dc.subject | медична візуалізація | uk_UA |
| dc.subject | medical imaging | uk_UA |
| dc.subject | зачистка черепа | uk_UA |
| dc.subject | skull cleaning | uk_UA |
| dc.subject | дипломна робота | uk_UA |
| dc.title | Виділення патологічних структур на зображеннях магнітно-резонансної томографії мозку людини | uk_UA |
| dc.title.alternative | Determining pathological structures in images of magnetic resonance imaging of the brain | uk_UA |
| dc.type | Learning Object | uk_UA |
| Appears in Collections: | Кваліфікаційні роботи здобувачів вищої освіти кафедри електроніки, робототехніки і технологій моніторингу та інтернету речей | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| диплом Тростенюк.pdf | Кваліфікаційна робота | 1.16 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.