CCL

Összesen 8 találat.
#/oldal:
Részletezés:
Rendezés:

1.

001-es BibID:BIBFORM118676
035-os BibID:(Scopus)85186766577
Első szerző:Bogacsovics Gergő (informatikus)
Cím:Assessing Conventional and Deep Learning-Based Approaches for Named Entity Recognition in Unstructured Hungarian Medical Reports / Bogacsovics Gergő, Harangi Balázs, Beregi-Kovács Marcell, Kupás Dávid, Lakatos Róbert, Serbán Norbert Dániel, Tiba Attila, Tóth János
Dátum:2024
Megjegyzések:In digital healthcare, much patient data is available in text format. The structuring of this data, according to standards, has yet to be widely used, including in Hungary, where it is available in unstructured form. To make these patient records easy to filter and search, they must be processed and structured. Using modern natural language processing and deep learning techniques has resulted in effective systems for implementing such workflows. However, selecting appropriate algorithms for specific text-processing tasks is still a challenging issue. This is due to the scarcity of benchmarks and the variety of architectures available. This article evaluates models for named entity recognition in digital medical reports written in Hungarian. We evaluate traditional, recurrent neural network, and transformer-based approaches for NER using a dataset comprising 801 PET scans and annotated medical reports. The medical reports were annotated to cover six different entity classes and reviewed by clinical experts to ensure accuracy. We present a comprehensive assessment of various methods and provide insight into addressing NER problems in the case of low-resource languages such as Hungarian.
ISBN:9798350317206
Tárgyszavak:Műszaki tudományok Informatikai tudományok előadáskivonat
könyvrészlet
named entity recognition
medical-text record
natural language processing
deep learning
Megjelenés:2024 IEEE 22nd World Symposium on Applied Machine Intelligence and Informatics (SAMI) / ed. Kovács Levente, Liberios Vokorokos. - p. 77-82. -
További szerzők:Harangi Balázs (1986-) (programtervező matematikus) Beregi-Kovács Marcell (1995-) (Alkalmazott matematikus) Kupás Dávid (1996-) (programtervező informatikus) Lakatos Róbert (1986-) (informatikus) Serbán Norbert Dániel (1995-) (informatikus) Tiba Attila (1990-) (informatikus, matematikus) Tóth János (1984-) (programtervező matematikus)
Pályázati támogatás:2020-1.1.2-PIACI-KFI-2021-00223
Egyéb
TKP2021-NKTA-34
Egyéb
UNKP-23-3-II-DE-119
Egyéb
KDP-2021 C1774095
Egyéb
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

2.

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:

3.

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:

4.

001-es BibID:BIBFORM122346
035-os BibID:(Scopus)85037814516
Első szerző:Kupás Dávid (programtervező informatikus)
Cím:Decision support system for the diagnosis of neurological disorders based on gaze tracking / Kupás Dávid, Harangi Balázs, Czifra György, Andrássy Gábor
Dátum:2017
Megjegyzések:Current diagnosis of neurological disorders is an expensive and time-consuming task. Our goal is to make this procedure easier and more accurate using a digital eye scanner. Our system can help in making diagnoses, assists in the practice and shortens the time needed to find the appropriate treatment. First and foremost we collect all important visual effects in the field of neurological examination and create a video to make possible the testing of the eye movement of the patient during the video. Their gaze data is collected by an appropriate eye tracker, then we analyze the gaze information in order to evaluate the mental state of the patient using machine learning based algorithms. According to the experimental results, our proposed technique can separate the healthy and ill patients from each other using their gaze data.
ISBN:978-1-5090-4011-7
Tárgyszavak:Műszaki tudományok Informatikai tudományok előadáskivonat
könyvrészlet
neurological disorders
decision support system
eye tracking
machine learning
Megjelenés:Proceedings of the 10th International Symposium on Image and Signal Processing and Analysis / ISPA 2017. - p. 37-40. -
További szerzők:Harangi Balázs (1986-) (programtervező matematikus) Czifra György Andrássy Gábor
Pályázati támogatás:2.1.1-15-2015-00376
GINOP
EFOP-3.6.2-16-2017-00015
EFOP
VKSZ 14-1-2015-0072
Egyéb
Internet cím:DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

5.

001-es BibID:BIBFORM104443
035-os BibID:(Pubmed)36083935 (cikkazonosító)22030394 (Scopus)85138127061
Első szerző:Kupás Dávid (programtervező informatikus)
Cím:Classification of Pap-smear cell images using deep convolutional neural network accelerated by hand-crafted features / Dávid Kupás, Balázs Harangi
Dátum:2022
Megjegyzések:The classification of cells extracted from Papsmears is in most cases done using neural network architectures. Nevertheless, the importance of features extracted with digital image processing is also discussed in many related articles. Decision support systems and automated analysis tools of Papsmears often use these kinds of manually extracted, global features based on clinical expert opinion. In this paper, a solution is introduced where 29 different contextual features are combined with local features learned by a neural network so that it increases classification performance. The weight distribution between the features is also investigated leading to a conclusion that the numerical features are indeed forming an important part of the learning process. Furthermore, extensive testing of the presented methods is done using a dataset annotated by clinical experts. An increase of 3.2% in F1-Score value can be observed when using the combination of contextual and local features.
Tárgyszavak:Műszaki tudományok Informatikai tudományok előadáskivonat
könyvrészlet
Megjelenés:1-4.
További szerzők:Harangi Balázs (1986-) (programtervező matematikus)
Pályázati támogatás:GINOP-2.2.1- 18-2018-00012
GINOP
Internet cím:Intézményi repozitóriumban (DEA) tárolt változat
DOI
Borító:

6.

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:

7.

001-es BibID:BIBFORM099910
035-os BibID:(Scopus)85122529562
Első szerző:Kupás Dávid (programtervező informatikus)
Cím:Solving the problem of imbalanced dataset with synthetic image generation for cell classification using deep learning / David Kupas, Balazs Harangi
Dátum:2021
ISSN:2694-0604
Tárgyszavak:Műszaki tudományok Informatikai tudományok előadáskivonat
könyvrészlet
Megjelenés:Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. - p. 2981-2984. -
További szerzők:Harangi Balázs (1986-) (programtervező matematikus)
Pályázati támogatás:ÚNKP-19-2-I-DE-345
Egyéb
ÚNKP-20-5-DE-31
Egyéb
GINOP-2.2.1-18-2018-00012
GINOP
Internet cím:Intézményi repozitóriumban (DEA) tárolt változat
DOI
Szerző által megadott URL
Borító:

8.

001-es BibID:BIBFORM121132
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:
Rekordok letöltése1 
Corvina könyvtári katalógus v8.2.27 © 2023 Monguz kft. Minden jog fenntartva.