Read more
Las tasas de curación del cáncer de riñón varían según el estadio y el grado; por lo tanto, los procedimientos de diagnóstico precisos para la detección y el diagnóstico tempranos son cruciales. Algunas dificultades con la segmentación manual han hecho necesario el uso de modelos de aprendizaje profundo para ayudar a los médicos a reconocer y segmentar eficazmente el cáncer. Las redes neuronales convolucionales probabilísticas (PCNN), en particular las redes neuronales convolucionales, han tenido un éxito extraordinario en la clasificación y segmentación de imágenes. En este proyecto, el filtrado de imágenes de resonancia magnética de riñón se lleva a cabo utilizando el algoritmo de Filtro de Difusión Anisotrópica Bilateral. Esta técnica de preprocesamiento propuesta proporciona una alta relación señal-ruido (PSNR) y un bajo error cuadrático medio (MSE). La mejora de las imágenes de IRM de riñón se lleva a cabo mediante el algoritmo de Ecualización Adaptativa de Histogramas con Preservación de Bordes y Contraste Limitado (EP-CLAHE). El algoritmo EP-CLAHE se utiliza para mejorar el contraste y el brillo. La segmentación de la imagen renal se realiza mediante el algoritmo Improved Fast Fuzzy C Means Clustering (IFFCMC). IFFCMC se utiliza para segmentar los píxeles de cáncer de riñón y suprimir otros píxeles en la imagen de riñón MRI.
About the author
Iam R.Subraja trabajando como profesor asistente, en el Departamento de Electrónica e Ingeniería de Comunicaciones en Sathyabama Instituto de Ciencia y Tecnología, completé mi B.E grado en ECE y M.E., grado en Electrónica Aplicada de la Universidad de Sathyabama, Chennai Mi área de interés incluye ImagProcessing, Reconocimiento de Patrones.
