A Sai Suneel

Des tudes r centes ont montr que les mod les d'apprentissage profond sont capables de fournir des avantages significatifs pour l'analyse d'images m dicales. Lors de l'utilisation de LSTM pour la d tection de tumeurs c r brales, les donn es d'entr e s quentielles, telles que les scanners IRM ou les donn es chronologiques des patients, sont g n ralement introduites dans le mod le LSTM. Le mod le apprend alors partir des mod les s quentiels et utilise ces connaissances pour classer la pr sence ou non d'une tumeur c r brale. Notre mod le exploite les d pendances temporelles des donn es d'imagerie m dicale pour am liorer la pr cision et la robustesse de la d tection des tumeurs. Le mod le LSTM est plus performant que les m thodes traditionnelles, comme le montrent nos r sultats. Il en r sulte une grande pr cision et des informations pr cieuses sur la r gion tumorale d tect e. En outre, nous explorons l'interpr tabilit des LSTM et l'int gration potentielle avec des informations cliniques pour am liorer le diagnostic et la planification.

Ostatnie badania wykazaly, że modele glębokiego uczenia są w stanie zapewnic znaczące korzyści w analizie obraz w medycznych. Podczas korzystania z LSTM do wykrywania guz w m zgu, do modelu LSTM zazwyczaj wprowadzane są sekwencyjne dane wejściowe, takie jak skany MRI lub dane szereg w czasowych pacjenta . Następnie model uczy się na podstawie sekwencyjnych wzorc w i wykorzystuje tę wiedzę do klasyfikowania, czy guz m zgu jest obecny, czy nie. Nasz model wykorzystuje zależności czasowe w danych obrazowania medycznego w celu poprawy dokladności i niezawodności wykrywania guz w. Model LSTM dziala lepiej niż tradycyjne metody, co pokazują nasze wyniki. Skutkuje to wysoką dokladnością i cennym wglądem w wykryty obszar guza. Ponadto badamy interpretowalnośc LSTM i potencjalną integrację z informacjami klinicznymi w celu poprawy diagnostyki i planowania.

Les maladies r nales chroniques, commun ment appel es maladies r nales chroniques, sont des maladies r nales caract ris es par une fonction r nale anormale ou une d gradation de la fonction r nale qui prend beaucoup de temps, voire des mois, pour s'achever. Les maladies r nales chroniques sont souvent d couvertes lorsque les individus sont reconnus comme tant en danger d'obstacle r nal, ceux qui ont de l'hypertension ou du diab te, par exemple, sont test s, ainsi que ceux qui ont une famille de sang qui a une maladie r nale chronique en cons quence, un pronostic rapide est un l ment critique dans la lutte contre la maladie et la fourniture d'une th rapie efficace . Lestechniques de mise en oeuvre de l'apprentissage profond telles que CNN; RNN pour la maladie r nale chroniquesont sugg r es dans ce travail. En utilisant le moins de caract ristiques possibles, le r sultat final permet de pr voir si la personne est atteinte ou non de la maladie r nale chronique. Dans notre recherche, nous utiliserons des algorithmes tels que le r seau neuronal convolution (CNN) en tant que syst me existant et le r seau neuronal r current (RNN) en tant que syst me propos , et nous les comparerons en termes de pr cision . Les r sultats montrent que le r seau neuronal r current (RNN) est plus performant que le r seau neuronal convolution (CNN).

La malattia renale cronica, comunemente nota come malattia renale cronica, un tipo di malattia renale caratterizzata da una funzione renale anomala o da un'interruzione della funzione renale che richiede molto tempo o mesi per essere completata. Le malattie renali croniche vengono spesso scoperte durante le fasi in cui si riconosce il rischio di un ostacolo renale, ad esempio quando sisottopongono a test coloro che hanno la pressione alta o il diabete, cos comecoloro che hanno un familiare affetto da malattia renale cronica . In questo lavoro vengono proposte tecniche di implementazione dell'apprendimento profondo come CNN e RNN per la CKD . Utilizzando il minor numero di caratteristiche, il risultato finale prevede che la persona sia affetta o meno da CKD. Nella nostra ricerca utilizzeremo gli algoritmi della rete neurale a convoluzione (CNN) come sistema esistente e della rete neurale ricorrente (RNN) come sistema proposto e li confronteremo in termini di accuratezza. Dai risultati emerso che la rete neurale ricorrente (RNN) ha prestazioni migliori rispetto alla rete neuralea convoluzione (CNN).

Chronische Nierenerkrankungen, auch bekannt als chronische Nierenerkrankung, sind eine Art von Nierenerkrankung, die durch eine abnorme Nierenfunktion oder einen Zusammenbruch der Nierenfunktion gekennzeichnet ist, der ber einen langen Zeitraum oder ber Monate hinweg andauert. Chronische Nierenerkrankungen werden h ufig bei Personen entdeckt, bei denen die Gefahr eines Nierenleidens erkannt wird, z. B. bei Personen, die an Bluthochdruck oder Diabetes leiden, sowie beiPersonen, in deren Familie eine chronische Nierenerkrankung vork ommt, weshalb eine rasche Prognose f r die Bek mpfung der Krankheit und die Bereitstellung einer wirksamen Therapie entscheidend ist . In dieser Arbeit werdenDeep Learning-Implementierungstechniken wie CNN und RNN f r CKD vorgeschlagen. Mit den wenigsten Merkmalen kann das Endergebnis vorhersagen, ob die Person CKD hat oder nicht. In unserer Forschung werden wir Algorithmen wie das Convolution Neural Network (CNN) als bestehendes System und das Recurrent Neural Network (RNN) als vorgeschlagenes System verwenden und in Bezug auf die Genauigkeit vergleichen. Aus den Ergebnissen geht hervor, dass das rekurrente neuronale Netz (RNN) besser funktioniert als das neuronale Faltungsnetz (CNN).

In letzter Zeit wurden zahlreiche Studien zur Verbesserung der visuellen Qualit t von Unterwasser- und Unterwasserbildern bei U-Boot- und Milit roperationen durchgef hrt, um verborgene Strukturen und Meeresausfl ge zu finden. In diesem Projekt wurde eine Methode zur Verbesserung von Unterwasserbildern vorgeschlagen, die auf der Theorie der Farbkonstanz beruht. Im Vergleich zu einem Gro teil der bisherigen Forschung sind Zeitaufwand und Komplexit t der vorgeschlagenen Methode gering, und sie erreicht eine ausgezeichnete Leistung. Zun chst analysieren wir das Unterwasserbildmodell und die Verzerrung. Dann wird eine lineare Transformation durch Kompensation des Rotkanals und Anwendung eines lokalen Wei abgleichs durchgef hrt. Schlie lich werden die Ergebnisse durch Anwendung der Histogramm-Entzerrung auf die RGB-Bilder erzielt. Wir messen auch die Bildqualit t anhand der Parameter PSNR, UIQM, UCIQE und Entropie. Diese Parameter werden mit den vorgeschlagenen und bestehenden Ans tzen verglichen; unsere Methode liefert jedoch eine h here Bildqualit t.

R cemment, de nombreuses tudes ont t men es sur l'am lioration de la qualit visuelle de l'imagerie sous-marine et sous-marine dans les op rations sous-marines et militaires afin de trouver les structures cach es et les excursions en mer. Ce projet propose une m thode d'am lioration des images sous-marines bas e sur la th orie de la constance des couleurs. Par rapport la plupart des recherches existantes, la dur e et la complexit de la m thode propos e sont faibles et ses performances sont excellentes. Tout d'abord, nous analysons le mod le d'imagerie sous-marine et la distorsion. Ensuite, en compensant le canal rouge et en appliquant une balance des blancs locale, une transformation lin aire est effectu e. Enfin, les r sultats sont obtenus en appliquant l' galisation de l'histogramme aux images RVB. Nous mesurons galement la qualit de l'image en prenant les param tres PSNR, UIQM, UCIQE et Entropie. Ces param tres sont compar s aux approches propos es et existantes; cependant, notre m thode produit une meilleure qualit d'image.

Recentemente, muito se tem estudado sobre o melhoramento da qualidade visual de imagens subaqu ticas e submarinas em opera es submarinas e militares para encontrar os desenhos de estruturas ocultas e excurs es mar timas. Este projeto prop e um m todo de melhoramento de imagens subaqu ticas baseado na teoria da const ncia da cor. Quando comparamos com grande parte da investiga o existente, o tempo e a complexidade do m todo proposto s o baixos e este atinge um excelente desempenho. Em primeiro lugar, analisamos o modelo de imagem subaqu tica e a distor o. Depois, compensando o canal vermelho e aplicando o equil brio de brancos local, efectuada uma transforma o linear. Por fim, os resultados s o obtidos atrav s da aplica o da equaliza o do histograma s imagens RGB. Tamb m medimos a qualidade da imagem atrav s dos par metros PSNR, UIQM, UCIQE e Entropia. Estes par metros s o comparados com as abordagens propostas e existentes; no entanto, o nosso m todo produz uma qualidade de imagem superior.

Recentemente sono stati condotti molti studi sul miglioramento della qualit visiva delle immagini subacquee e sottomarine nelle operazioni sottomarine e militari per trovare i progetti di strutture nascoste e le escursioni in mare. Questo progetto ha proposto un metodo di miglioramento delle immagini subacquee basato sulla teoria della costanza del colore. Rispetto a molte delle ricerche esistenti, il metodo proposto ha tempi e complessit ridotti e raggiunge prestazioni eccellenti. In primo luogo, analizziamo il modello di immagine subacquea e la distorsione. Poi, compensando il canale rosso e applicando il bilanciamento locale del bianco, viene eseguita una trasformazione lineare. Infine, si ottengono risultati applicando l'equalizzazione dell'istogramma alle immagini RGB. La qualit dell'immagine viene misurata anche attraverso i parametri PSNR, UIQM, UCIQE ed Entropia. Questi parametri vengono confrontati con gli approcci proposti e quelli esistenti; tuttavia, il nostro metodo produce una qualit dell'immagine superiore.

Immer mehr Berufe erfordern heute eine langfristige Orientierung. Fahrer m ssen die Stra e sorgf ltig berwachen, damit sie auf unerwartete Ereignisse sofort reagieren k nnen. Die berm dung des Fahrers ist oft die direkte Ursache f r viele Verkehrsunf lle. Daher ist es notwendig, ein System zu entwickeln, das einen schlechten psychophysischen Zustand des Fahrers erkennt und ihn dar ber informiert, wodurch die Zahl der Verkehrsunf lle aufgrund von berm dung erheblich reduziert werden kann. Die Entwicklung solcher Systeme ist jedoch mit vielen Schwierigkeiten verbunden, wenn es darum geht, die M digkeit des Fahrers schnell und relevant zu erkennen. Eine der technischen M glichkeiten f r die Erkennung von M digkeit beim Fahrer ist die Verwendung eines bildgest tzten Ansatzes. Mehrere Studien haben gezeigt, dass Schl frigkeit und M digkeit die Hauptursachen f r Verkehrsunf lle sind. In diesem Artikel wird ein Modul f r ein fortschrittliches Fahrerassistenzsystem vorgeschlagen, um die Zahl der durch M digkeit der Fahrer verursachten Unf lle zu verringern und somit die Verkehrssicherheit zu erh hen. Dieses System befasst sich mit der automatischen Erkennung von Schl frigkeit des Fahrers auf der Grundlage visueller Informationen und maschinellen Lernens. Wir schlagen einen Algorithmus zur Lokalisierung, Verfolgung und Analyse des Gesichts und der Augen des Fahrers vor, die ein wissenschaftlich unterst tztes Ma f r M digkeit sind.