Browsing by Subject "Region of interest"

Now showing 1 - 2 of 2

Open Access
İnsan hareketlerinin vibrasyon ve PIR algılayıcıları kullanılarak sınıflandırılması
(IEEE, 2012-04) Yazar, Ahmet; Çetin, A. Enis; Töreyin, B. U.
Yalnız yaşayan yaşlı ve bakıma muhtaç kişilerin yere düşmelerinin kısa sürede tespit edilmesi önemli bir sorundur. Bu bildiride, sismik ve pasif kızılberisi algılayıcılar kullanarak, belirli bir alanda yere düşme olayının tespit edilebilmesi için bir yöntem önerilmiştir. Sınıflandırma amacıyla, hızlı Fourier dönüşümü, mel-frekansı kepstral katsayıları ve ayrık dalgacık dönüşümü teknikleri kullanılarak farklı öznitelik vektörleri çıkarılmıştır. Sismik işaretler, destek vektör makineleri ile ‘düşme’ ve ‘düşme değil’ olarak iki farklı sınıfa ayrılmıştır. Pasif kızılberisi algılayıcının, belirli bir alanda hareket eden bir kişiyi tespit etmesinden sonra, sismik algılayıcının ve pasif kızılberisi algılayıcının kararları tümleştirilerek kişinin düşüp düşmediği tespit edilmektedir. Önerdiğimiz sistem gerçek zamanlı olarak standart bir bilgisayarda çalışabilmektedir.
Open Access
Localization of diagnostically relevant regions of interest in whole slide images: a comparative study
(Springer New York LLC, 2016-08) Mercan, E.; Aksoy, S.; Shapiro, L. G.; Weaver, D. L.; Brunyé, T. T.; Elmore, J. G.
Whole slide digital imaging technology enables researchers to study pathologists’ interpretive behavior as they view digital slides and gain new understanding of the diagnostic medical decision-making process. In this study, we propose a simple yet important analysis to extract diagnostically relevant regions of interest (ROIs) from tracking records using only pathologists’ actions as they viewed biopsy specimens in the whole slide digital imaging format (zooming, panning, and fixating). We use these extracted regions in a visual bag-of-words model based on color and texture features to predict diagnostically relevant ROIs on whole slide images. Using a logistic regression classifier in a cross-validation setting on 240 digital breast biopsy slides and viewport tracking logs of three expert pathologists, we produce probability maps that show 74 % overlap with the actual regions at which pathologists looked. We compare different bag-of-words models by changing dictionary size, visual word definition (patches vs. superpixels), and training data (automatically extracted ROIs vs. manually marked ROIs). This study is a first step in understanding the scanning behaviors of pathologists and the underlying reasons for diagnostic errors. © 2016, Society for Imaging Informatics in Medicine.