アルコール依存症と薬物依存のジャーナル
オープンアクセス

概要

セグメンテーション、特徴抽出、パターン認識を用いた幹細胞の成長率分析

R ナティヤと G シヴァラジェ

幹細胞は、成長の初期段階で、体内のあらゆる種類の細胞に成長できる優れた能力を持っています。腸や骨髄などの一部の臓器では、幹細胞は定期的に分裂して、摩耗または損傷した組織を修復および置き換えます。幹細胞分析画像セグメンテーションの既存の方法は、蛍光細胞に適用される形態学的手法を利用して、明確にセグメント化された画像を取得します。このために、画像またはフレームがフィルタリングされる場所でウェーブレット Otsu Curvelet パラダイムが使用され、Curvelet はエッジ強調の向上に使用され、Wavelet はマルチスケール解像度に使用されます。Otsu モデルを使用したセグメンテーションでは、さまざまなピクセルからのクラス分散の平均重みが削減され、最適なしきい値が提供されます。セグメント化された画像の特徴から、画像の特徴の抽出に重要な役割を果たすグレーレベル共起マトリックス (GLCM) 手法を使用してベクトルが取得されます。ただし、GLCM は通常、単一のスケールと単一の方向でテクスチャを抽出するため、テクスチャ エンティティが最大限に提供されません。したがって、マルチスケールおよびマルチ解像度の場合、セグメント化された画像は NSCT で分解され、GLCM が適用されます。特徴ベクトルのセットは最終的にパターン マトリックスを形成し、分類用の人工ニューラル ネットワークへの入力となります。パターン認識にニューラル ネットワークを使用し、さまざまな健康レベルの画像を使用してネットワークをトレーニングします。次に、トレーニングされたネットワークを使用して、テスト画像の健康状態を評価し、その結果を特定の時系列幹細胞画像の健康状態のパーセンテージの形式で表示します。したがって、この論文は幹細胞の健康状態を分析することに重点が置かれています。