Vilnelių transformacijos taikymas žmogaus galvos smegenų kompiuterinių tomogramų su insulto sritimi analizei
| Year | Issue |
|---|---|
2005 | 8 (64) |
| URI | Access Rights |
|---|---|
| https://hdl.handle.net/20.500.14911/141173 | |
| https://eejournal.ktu.lt/index.php/elt/article/view/10520 | Viso teksto dokumentas (atviroji prieiga) / Full Text Document (Open Access) |
Nagrinėjamos galimybės taikyti vilnelių transformaciją kompiuterinių tomogramų (KT) vaizdams analizuoti, aiškinami vilnelių transformacijos metodo pranašumai, palyginti su kitais išeminio insulto sričiai aptikti taikomais metodais, analizuojama, kurios vilnelių spektro dedamosios yra stipriausiai susijusios su insulto sritimi, bei rekomenduojami galimi insulto srities KT aptikimo būdai. Parodyta, kad pavienių KT vaizdo eilučių bei viso KT vaizdo vilnelių spektruose išeminio insulto srities atsiradimas sąlygoja lokalių vilnelių koeficientų pokyčius žemųjų dažnių srityje. Labiausiai koeficientai pasikeičia ties insulto srities kontūrais. Insulto sričiai rasti rekomenduojama vilnelių koeficientus grupuoti pagal absoliučiąsias vertes ir susieti su insulto srities kontūru arba grupuoti artimus nuliui koeficientus ir sieti juos su vidiniais insulto srities taškais.
An application of wavelet transform for analysis of human brain CT images is described in this article. Wavelet transform, as a timefrequency signal analysis tool, has some advantages over other time or frequency image analysis methods. Particularly wavelet analysis is useful for simultaneous description and evaluation of time and frequency properties of the signals. The main focus of this article is evaluation of connection between appearance of ischemic brain stroke region in CT images and changes in wavelet spectrum. It was shown that ischemic brain stroke region is related with local low frequency wavelet coefficients and the main changes are observed at the contour of the region. It is recommended two concepts of ischemic stroke region detection, first, by grouping of wavelet coefficients with certain absolute value and detecting the contour of the region, second, by grouping small value coefficients and detecting the internal points of the region.