medigraphic.com

2005, Número 2

<< Anterior Siguiente >>

Rev Mex Ing Biomed 2005; 26 (2)


Reconocimiento y localización de instrumental médico usando análisis automatizado de imágenes

Sossa H, Vázquez RA, Barrón R

Idioma: Español
Referencias bibliográficas: 18
Paginas: 75-85
Archivo PDF: 194.45 Kb.


RESUMEN

En este trabajo se propone una metodología sencilla pero efectiva para el reconocimiento y localización de un cierto tipo de instrumental médico a partir de una imagen del mismo. En una primera etapa de entrenamiento, para cada tipo de instrumento se obtiene una descripción invariante ante transformaciones de imagen, como traslaciones y rotaciones. El conjunto de descripciones así obtenido es usado para entrenar varios clasificadores con el objetivo de probar su desempeño. Durante la etapa de prueba, una imagen conteniendo uno o más instrumentos médicos se procesa para obtener como resultado la identidad de cada uno de los objetos en la imagen. En cuanto a la localización, para cada instrumento se obtienen las coordenadas de su centroide, el valor del ángulo de su eje mayor, así como las coordenadas de agujeros de toma, en el caso de pinzas. La propuesta es probada con un conjunto de imágenes, especialmente diseñado para tal propósito.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Gonzalez RC, Woods RE. Digital Image Processing. Prentice Hall. Second Edition. 2002.

  2. Jain R, Kasturi R, Schunck BG. Machine Vision. McGraw-Hill Science-Engineering-Math. 1995.

  3. Duda R, Hart P. Pattern Classification and Scene Analysis. John Wiley and Sons, Inc. 1973.

  4. Fukunaga K. Introduction to Statistical Pattern Recognition (Computer Science and Scientific Computing Series). Academic Press. Second Edition. 1990.

  5. Webb AR. Statistical Pattern Recognition. John Wiley & Sons. Second Edition. 2002.

  6. Gonzalez RC, Thomason MG. Syntactic Pattern Recognition: An Introduction (Applied Mathematics and Computation; No. 14. Addison-Wesley. 1978.

  7. Fu KS. Syntactic Methods in Pattern Recognition. Mathematics in science and engineering. Academic Pr. 1974.

  8. Miclet L. Structural Methods in Pattern Recognition. Springer. 1986.

  9. Friedman M, Kandel A. Introduction to Pattern Recognition: Statistical, Structural, Neural and Fuzzy Logic Approaches (Series in Machine Perception and Artificial Intelligence) World Scientific Publishing Company. 1999.

  10. Fausset LV. Fundamentals of Neural Networks. Prentice Hall. 1994.

  11. Anderson JA. An Introduction to Neural Networks. The MIT Press. 1995.

  12. Bishop ChM. Neural Networks for Pattern Recognition. Oxford University Press. 1995.

  13. Ripley BD. Pattern Recognition and Neural Networks. Cambridge University Press. 1996.

  14. Hu MK. Visual pattern recognition by moment invariants, IRE Transactions on Information Theory. 1962; 8: 179-187.

  15. Peribakas V. Distance measures for PCA-based face recognition. Pattern Recognition Letters 2004; 25: 711-714.

  16. Sossa H, Barrón R, Vázquez RA. New Associative Memories to Recall Real-Valued Patterns. Lecture Notes on Computer Science 3287. Springer Verlag 2004: 195-202.

  17. Sossa H, Barrón R, Vázquez RA. Real-Valued Pattern Classification based on Extended Associative Memory. V Mexican International Conference on Computer Science (ENC 2004). Colima, México, 2004: 312- 219.

  18. Jiulun F, Winxin X. Minimum error thresholding: A note. Pattern Recognition Letters 1997; 18(8): 705-709.




2020     |     www.medigraphic.com