This HTML5 document contains 48 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
dctermshttp://purl.org/dc/terms/
n15http://linked.opendata.cz/resource/domain/vavai/vysledek/RIV%2F67985556%3A_____%2F07%3A00085867%21RIV08-AV0-67985556/
n14http://linked.opendata.cz/resource/domain/vavai/projekt/
n7http://linked.opendata.cz/resource/domain/vavai/riv/tvurce/
n13http://linked.opendata.cz/ontology/domain/vavai/
n17http://linked.opendata.cz/resource/domain/vavai/zamer/
shttp://schema.org/
n4http://linked.opendata.cz/ontology/domain/vavai/riv/
skoshttp://www.w3.org/2004/02/skos/core#
n2http://linked.opendata.cz/resource/domain/vavai/vysledek/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
n5http://linked.opendata.cz/ontology/domain/vavai/riv/klicoveSlovo/
n16http://linked.opendata.cz/ontology/domain/vavai/riv/duvernostUdaju/
xsdhhttp://www.w3.org/2001/XMLSchema#
n11http://linked.opendata.cz/ontology/domain/vavai/riv/aktivita/
n6http://linked.opendata.cz/ontology/domain/vavai/riv/jazykVysledku/
n18http://linked.opendata.cz/ontology/domain/vavai/riv/obor/
n12http://linked.opendata.cz/ontology/domain/vavai/riv/druhVysledku/
n10http://reference.data.gov.uk/id/gregorian-year/

Statements

Subject Item
n2:RIV%2F67985556%3A_____%2F07%3A00085867%21RIV08-AV0-67985556
rdf:type
n13:Vysledek skos:Concept
dcterms:description
Článek prezentuje neřízenou metodu rozpoznávání umožňující zcela automatickou detekci oblastí zájmu, které obsahují fibrozně-žlázovitou tkáň, z digitálních roentgenových mamogramů. Neřízená segmentační metoda kombinuje několik neřízených segmentačních výsledků, každý v jiném rozlišení, pomocí sumačního pravidla. Mamografické tkáňové textury jsou lokálně reprezentovány čtyřmi kauzálními modely náhodných polí rekurzivně pro každý pixel. Segmentační část metody pro jedno měřítko je založena na gaussovském směsovém modelu a začíná z přesegmentovaného odhadu, který se adaptivně mění, až se dosáhne optimální počet homogenních oblastí. Vlastnosti publikované metody jsou rozsáhle testovány na Digital Database for Screening Mammography (DDSM) z University of South Florida a na Prague Texture Segmentation Benchmark pomocí nejpoužívanějších segmentačních kriterií. Metoda dosahuje lepší výsledky než několik alternativních testovaných texturních segmentačních metod. We present an unsupervised method for fully automatic detection of regions of interest containing fibroglandular tissue in digital screening mammography. The unsupervised segmenter is based on a combination of several unsupervised segmentation results, each in different resolution, using the sum rule. The mammogram tissue textures are locally represented by four causal monospectral random field models recursively evaluated for each pixel. The single-resolution segmentation part of the algorithm is based on the underlying Gaussian mixture model and starts with an over segmented initial estimation which is adaptively modified until the optimal number of homogeneous mammogram segments is reached. We present an unsupervised method for fully automatic detection of regions of interest containing fibroglandular tissue in digital screening mammography. The unsupervised segmenter is based on a combination of several unsupervised segmentation results, each in different resolution, using the sum rule. The mammogram tissue textures are locally represented by four causal monospectral random field models recursively evaluated for each pixel. The single-resolution segmentation part of the algorithm is based on the underlying Gaussian mixture model and starts with an over segmented initial estimation which is adaptively modified until the optimal number of homogeneous mammogram segments is reached.
dcterms:title
Unsupervised Detection of Mammogram Regions of Interest Neřízené rozpoznávání oblastí zájmu na mamogramech Unsupervised Detection of Mammogram Regions of Interest
skos:prefLabel
Neřízené rozpoznávání oblastí zájmu na mamogramech Unsupervised Detection of Mammogram Regions of Interest Unsupervised Detection of Mammogram Regions of Interest
skos:notation
RIV/67985556:_____/07:00085867!RIV08-AV0-67985556
n4:strany
33;40
n4:aktivita
n11:R n11:P n11:Z
n4:aktivity
P(1ET400750407), P(1M0572), P(IAA2075302), R, Z(AV0Z10750506)
n4:cisloPeriodika
4694
n4:dodaniDat
n10:2008
n4:domaciTvurceVysledku
n7:2812495 n7:2890542
n4:druhVysledku
n12:J
n4:duvernostUdaju
n16:S
n4:entitaPredkladatele
n15:predkladatel
n4:idSjednocenehoVysledku
456693
n4:idVysledku
RIV/67985556:_____/07:00085867
n4:jazykVysledku
n6:eng
n4:klicovaSlova
Unsupervised segmentation; mammography; Markov random fields
n4:klicoveSlovo
n5:Unsupervised%20segmentation n5:mammography n5:Markov%20random%20fields
n4:kodStatuVydavatele
DE - Spolková republika Německo
n4:kontrolniKodProRIV
[7ED5CAEE50E7]
n4:nazevZdroje
Lecture Notes in Computer Science
n4:obor
n18:BD
n4:pocetDomacichTvurcuVysledku
2
n4:pocetTvurcuVysledku
3
n4:projekt
n14:IAA2075302 n14:1ET400750407 n14:1M0572
n4:rokUplatneniVysledku
n10:2007
n4:svazekPeriodika
2007
n4:tvurceVysledku
Haindl, Michal Scarpa, G. Mikeš, Stanislav
n4:zamer
n17:AV0Z10750506
s:issn
0302-9743
s:numberOfPages
8