SEGMENTASI CITRA MAGNETIC RESONANCE IMAGING (MRI) MENGGUNAKAN FUZZY CMEANS(FCM)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Pada dunia medis segmentasi citra merupakan hal yang penting, karena proses segmentasi yang dilakukandalam sebuah citra harus sesuai dan tepat agar informasi yang ada di dalam citra dapat diterjemahkandengan baik. Salah satu contoh aplikasi segmentasi citra di dunia medis adalah Magnetic ResonanceImaging (MRI). Ada beberapa metode yang digunakan dalam segmentasi citra MRI diantaranya regiongrowing, thresholding, clustering dan lainnya, namun yang sering digunakan adalah metode clustering.Metode clustering merupakan metode yang baik dalam melakukan segmentasi citra. Metode dalamsegmentasi yang berbasis clustering salah satunya adalah Fuzzy C-Means (FCM). FCM merupakanpengembangan metode K-Means yang diimprovisasi dengan menerapkan derajat keanggotaan, dimanabeberapa cluster dapat memiliki satu piksel citra yang sama. Dalam menentukan keanggotaan dari cluster,clustering ini adalah komputasi yang lebih tepat. Skripsi ini membahas tentang segmentasi citra MRI otakmenggunakan FCM. Dataset yang digunakan dalam dalam penelitian skripsi ini diambil dari Brainwebyang disediakan oleh McConnell Brain imaging Centre of the Montreal Neurological Institute, McGillUniversity. Data tersebut disegmentasi menjadi tiga bagian, yaitu Grey Metter (GM), White Metter (WM),dan Cerebrospinal Fluid (CSF). Hasil segmentasi citra MRI otak menggunakan FCM memiliki nilaiakurasi yang baik yaitu pada CSF sebesar 0,90, GM sebesar 0,91 dan WM sebesar 0,94.Kata Kunci: Magnetic Resonance Imaging (MRI), Segmentasi citra, Citra Otak, Fuzzy C-Means (FCM).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle