Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej

MNiSW
20
Poziom I
Status:
Autorzy: Lytvynenko Volodymyr I., Olszewski Serge, Smolarz Andrzej, Kobernik Serhii , Zaets Eva, Demchenko Violetta, Dontsova Dariia, Kumargazhanova Saule
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Strony: 1 - 12
Efekt badań statutowych NIE
Materiał konferencyjny: TAK
Nazwa konferencji: Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments 2024
Skrócona nazwa konferencji: SPIE-IEEE-PSP 2024
URL serii konferencji: LINK
Termin konferencji: 27 czerwca 2024 do 29 czerwca 2024
Miasto konferencji: Lublin
Państwo konferencji: POLSKA
Publikacja OA: NIE
Abstrakty: angielski
The solution to TLC (Thin-Layer Chromatography) image segmentation in organochlorine pesticides (OCPs) toxicology research is crucial for scientific advancement and industrial applications. OCPs are found in minute concentrations in biological and environmental samples, necessitating precise segmentation for detection. Accurate segmentation is essential due to the potential multiple OCPs in samples, ensuring reliable component separation. Automated segmentation minimizes subjective errors inherent in manual methods, maintaining accuracy in toxicological studies. Standardized, automated processes ensure reproducible results, accelerating analysis for large-scale studies like environmental monitoring. Rapid TLC image segmentation reduces turnaround time critical for time-sensitive studies such as environmental assessments. Integration with analytical techniques like chromatography enhances comprehensive OCP analysis. Challenges include sample complexity with overlapping chemicals on TLC plates, and low OCP concentrations necessitating sensitive detection amidst noise and artifacts. Sophisticated algorithms are required for accurate analysis, sensitive to trace OCP signals and robust against experimental variations. Developing machine learning algorithms involves creating diverse training samples, a resource-intensive but essential task for reliable segmentation. This paper reviews segmentation methods, emphasizing threshold segmentation for its simplicity, speed, and accuracy. Algorithms for signal correction and peak detection enhance clarity, with trapezoidal integration accurately measuring peak areas. Developed in R, the program processes chromatographic images, providing tools for analysis, method refinement, and validation. These advancements are pivotal for ensuring the accuracy, efficiency, and reliability of OCP toxicology studies, crucial for environmental protection, public health, and regulatory compliance.