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
70
Lista 2024
Status:
Warianty tytułu:
MaZda kontra PyRadiomics – porównanie skuteczności szacowania cech tekstury w kontekście klasyfikacji wybranych obrazów biomedycznych
Autorzy: Omiotek Zbigniew, Boyko Oksana
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2026
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Numer czasopisma: 5
Wolumen/Tom: 102
Numer artykułu: 15
Strony: 117 - 126
Impact Factor: 0,4
Scopus® Cytowania: 0
Bazy: Scopus | BazTech
Efekt badań statutowych NIE
Materiał konferencyjny: NIE
Publikacja OA: TAK
Licencja:
Sposób udostępnienia: Witryna wydawcy
Wersja tekstu: Ostateczna wersja opublikowana
Czas opublikowania: W momencie opublikowania
Data opublikowania w OA: 27 maja 2026
Abstrakty: angielski | polski
The effectiveness of texture-feature estimation by two popular image-analysis tools – the MaZda application and the PyRadiomics package – was compared in the article. The study used images acquired with five imaging methods: X-ray, CT, MRI, ultrasound, and dermatoscopic imaging. Featu- re vectors generated for each modality were used to build classification models (LR, SVM, MLP, RF, ET) aimed at identifying specific disease entities. The results obtained clearly indicate the higher effectiveness of the MaZda application.
W artykule porównano skuteczność estymacji cech teksturalnych dwóch popularnych narzędzi do analizy obrazów – aplikacji MaZda i pa- kietu PyRadiomics. W badaniach wykorzystano obrazy zarejestrowane za pomocą pięciu metod obrazowania: RTG, CT, MRI, USG oraz obrazy dermatosko- powe. Wektory cech wygenerowane dla poszczególnych modalności wykorzystano do budowy modeli klasyfikacyjnych (LR, SVM, MLP, RF, ET), których zadaniem było rozpoznanie określonych chorób. Wyniki jednoznacznie wskazują na większą skuteczność aplikacji MaZda.