Találati lista | Tudóstér

001-es BibID:	BIBFORM102065
Első szerző:	Harangi Balázs (programtervező matematikus)
Cím:	Cell detection on digitized Pap smear images using ensemble of conventional image processing and deep learning techniques / Harangi Balázs, Tóth János, Bogacsovics Gergő, Kupás Dávid, Kovács László, Hajdu András
Dátum:	2019
Megjegyzések:	In this paper, we focus on the problem of cell segmentation in digitized Pap smear images, which is a pre-requisite of automatically detecting cervical cancer in its early stage. According to the trends, we consider deep learning based approaches in the form of applying fully convolutional neural networks (FCNNs). A common bottleneck of deep learning is that large annotated dataset is required for proper training. As large public datasets are not yet available in this field, we have composed a corresponding manually labeled dataset. Though this dataset is quite large, the manual annotation is less reliable in this domain, so we had to apply such a deep learning framework that is able to overcome this issue. Accordingly, we have applied such an ensemble of FCNN and traditional segmentation approaches that provide sufficiently large diversity according to the most challenging manual annotation-related issues, like the inaccurate selection of cell boundaries. We propose ensembles to merge the outputs of the different segmentation methods, which have been proven superior to any of the ensemble members according to our experimental studies.
ISBN:	9781728131405
Tárgyszavak:	Műszaki tudományok Informatikai tudományok előadáskivonat könyvrészlet Pap smear test cell segmentation deep learning region-based combination
Megjelenés:	11th International Symposium on Image and Signal Processing and Analysis (ISPA 2019) / eds. S. Lončarić, R. Bregović, M. Carli, M. Subašić. - p. 38-42. -
További szerzők:	Tóth János (1984-) (programtervező matematikus) Bogacsovics Gergő (1996-) (informatikus) Kupás Dávid (1996-) (programtervező informatikus) Kovács László (1984-) (informatikus) Hajdu András (1973-) (matematikus, informatikus)
Pályázati támogatás:	Bolyai János Kutatási Ösztöndíj MTA EFOP-3.6.2-16-2017-00015 EFOP GINOP-2.2.1-18-2018-00012 GINOP
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

001-es BibID:	BIBFORM122570
035-os BibID:	(Scopus)85197716196 (WoS)001264885100003
Első szerző:	Kupás Dávid (programtervező informatikus)
Cím:	Annotated Pap cell images and smear slices for cell classification / David Kupas, Andras Hajdu, Ilona Kovacs, Zoltan Hargitai, Zita Szombathy, Balazs Harangi
Dátum:	2024
ISSN:	2052-4463
Megjegyzések:	Machine learning-based systems have become instrumental in augmenting global efforts to combat cervical cancer. A burgeoning area of research focuses on leveraging artificial intelligence to enhance the cervical screening process, primarily through the exhaustive examination of Pap smears, traditionally reliant on the meticulous and labor-intensive analysis conducted by specialized experts. Despite the existence of some comprehensive and readily accessible datasets, the field is presently constrained by the limited volume of publicly available images and smears. as a remedy, our work unveils aPaCC (Annotated PAp cell images and smear slices for Cell Classification), a comprehensive dataset designed to bridge this gap. the aPaCC dataset features a remarkable array of images crucial for advancing research in this field. It comprises 103,675 annotated cell images, carefully extracted from 107 whole smears, which are further divided into 21,371 sub-regions for a more refined analysis. This dataset includes a vast number of cell images from conventional Pap smears and their specific locations on each smear, offering a valuable resource for in-depth investigation and study.
Tárgyszavak:	idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk Female Humans Machine Learning Papanicolaou Test Uterine Cervical Neoplasms Vaginal Smears
Megjelenés:	Scientific Data. - 11 : 1 (2024), p. 1-8. -
További szerzők:	Hajdu András (1973-) (matematikus, informatikus) Kovács Ilona (1965-) (patológus) Hargitai Zoltán Szombathy Zita Harangi Balázs (1986-) (programtervező matematikus)
Pályázati támogatás:	GINOP-2.2.21-18-2018-00012 GINOP
Internet cím:	Intézményi repozitóriumban (DEA) tárolt változat Szerző által megadott URL 856 41 DOI
Borító:
Saját polcon:

001-es BibID:	BIBFORM104440
035-os BibID:	(Scopus)85074410403
Első szerző:	Kupás Dávid (programtervező informatikus)
Cím:	Visualization of Fibroid in Laparoscopy Videos using Ultrasound Image Segmentation and Augmented Reality / Kupas Dávid, Török Péter, Hajdu András, Harangi Balázs
Dátum:	2019
ISBN:	978-1-7281-3140-5
Tárgyszavak:	Orvostudományok Klinikai orvostudományok előadáskivonat könyvrészlet
Megjelenés:	Proceedings of the 11th International Symposium on Image and Signal Processing and Analysis / eds. Lončarić S., Bregović R., Carli M., Subašić M. - p. 60-63. -
További szerzők:	Török Péter (1975-) (szülész-nőgyógyász) Hajdu András (1973-) (matematikus, informatikus) Harangi Balázs (1986-) (programtervező matematikus)
Pályázati támogatás:	EFOP-3.6.2-16-2017-00015 EFOP
Internet cím:	Intézményi repozitóriumban (DEA) tárolt változat DOI
Borító:
Saját polcon:

001-es BibID:	BIBFORM121132
035-os BibID:	(Scopus)85192703507 (WoS)001219905200001
Első szerző:	Serban Norbert
Cím:	Distinguishing the Uterine Artery, the Ureter, and Nerves in Laparoscopic Surgical Images Using Ensembles of Binary Semantic Segmentation Networks / Norbert Serban, David Kupas, Andras Hajdu, Peter Török, Balazs Harangi
Dátum:	2024
ISSN:	1424-8220
Megjegyzések:	Performing a minimally invasive surgery comes with a significant advantage regarding rehabilitating the patient after the operation. But it also causes difficulties, mainly for the surgeon or expert who performs the surgical intervention, since only visual information is available and they cannot use their tactile senses during keyhole surgeries. This is the case with laparoscopic hysterectomy since some organs are also difficult to distinguish based on visual information, making laparoscope-based hysterectomy challenging. In this paper, we propose a solution based on semantic segmentation, which can create pixel-accurate predictions of surgical images and differentiate the uterine arteries, ureters, and nerves. We trained three binary semantic segmentation models based on the U-Net architecture with the EfficientNet-b3 encoder; then, we developed two ensemble techniques that enhanced the segmentation performance. Our pixel-wise ensemble examines the segmentation mapof the binary networks on the lowest level of pixels. The other algorithm developed is a regionbased ensemble technique that takes this examination to a higher level and makes the ensemble based on every connected component detected by the binary segmentation networks. We also introduced and trained a classic multi-class semantic segmentation model as a reference and compared it to the ensemble-based approaches. We used 586 manually annotated images from 38 surgical videos for this research and published this dataset.
Tárgyszavak:	idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk laparoscopic hysterectomy semantic segmentation ensemble model
Megjelenés:	Sensors. - 24 : 9 (2024), p. 1-12. -
További szerzők:	Kupás Dávid (1996-) (programtervező informatikus) Hajdu András (1973-) (matematikus, informatikus) Török Péter (1975-) (szülész-nőgyógyász) Harangi Balázs (1986-) (programtervező matematikus)
Pályázati támogatás:	TKP2021-NKTA-34 Egyéb
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon: