ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2017 г.)
2-летний импакт-фактор РИНЦ: 0,500
2-летний импакт-фактор РИНЦ без самоцитирования: 0,405
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,817
5-летний импакт-фактор РИНЦ: 0,319
5-летний импакт-фактор РИНЦ без самоцитирования: 0,264
Суммарное число цитирований журнала в РИНЦ: 6012
Пятилетний индекс Херфиндаля по цитирующим журналам: 404
Индекс Херфиндаля по организациям авторов: 338
Десятилетний индекс Хирша: 17
Место в общем рейтинге SCIENCE INDEX за 2017 год: 527
Место в рейтинге SCIENCE INDEX за 2017 год по тематике "Автоматика. Вычислительная техника": 16

Больше данных по публикационной активности нашего журнале за 2008-2017 гг. на сайте РИНЦ

Добавить в закладки

Следующий номер на сайте

3
Ожидается:
16 Сентября 2019

В Московском государственном университете им. М.В. Ломоносова разработан новый подход к выделению областей интереса на изображениях

07.06.2012

Задача семантической сегментации – выделение объектов или областей интереса на изображениях – особенно сложна при нечетких границах регионов, сильной зашумленности, отсутствии цветовой информации. Подобными свойствами обладают, например, изображения, полученные с помощью медицинского оборудования. Поэтому традиционные методы сегментации изображений, основанные на разрастании регионов, выделении границ, кластеризации и т.д., подходят для решения лишь небольшого класса задач, связанных с обработкой таких изображений.

В данной статье предлагается новый метод выделения областей интереса, который применим к изображениям с названными выше свойствами. Работа метода продемонстрирована на примере задачи выделения очагов поражения на изображениях магнитно-резонансной томографии (МРТ) мозга. Очаги поражения на изображениях МРТ мозга – это обычно небольшие области повышенной или пониженной интенсивности, встречающиеся в нескольких местах. Иногда их количество достаточно велико. Они могут различаться между собой по форме и резкости границ, имеют вариации интенсивности и, как правило, визуально хорошо различимы по какому-либо признаку или набору признаков.

Предложенный алгоритм направлен на то, чтобы максимально учесть глобальные свойства подобных областей интереса – те свойства, которыми руководствуется человек при визуальном анализе.

Алгоритм основан на построении изолиний функции интенсивности, расчете признаков на основе этих изолиний и построении классификатора, который идентифицирует изолинии, являющиеся контурами областей интереса.

Подробное описание дается в статье «Выделение областей интереса на основе классификации изолиний», авторы: Сенюкова О.В., Галанин В.Е. (Московский государственный университет им. М.В. Ломоносова).