Quitar peso a una imagen

Técnica de imágenes ponderadas por difusión y aplicaciones

En este artículo, se propone un nuevo algoritmo de aprendizaje basado en la ponderación de características para mejorar el rendimiento de los sistemas de clasificación o recuperación de imágenes en un marco multietiqueta. El objetivo es explotar al máximo las propiedades beneficiosas de cada característica en el sistema. Dado que cada característica puede separar más eficazmente algunas de las clases de imágenes, se plantea la hipótesis de que los pesos de varias características en algunos estados pueden ser intercambiados entre sí. La fase de entrenamiento del algoritmo propuesto se realiza en dos etapas: (1) Las imágenes de entrada se agrupan utilizando un método supervisado de C-means de forma iterativa; (2) las características de la imagen se ponderan utilizando un método de ponderación de características locales en cada clúster. Estas ponderaciones se determinan teniendo en cuenta la importancia de cada característica para minimizar el error de clasificación en cada clúster. En la fase de prueba, se encuentra primero el clúster correspondiente a la consulta. A continuación, se recuperan las imágenes más similares en el marco de la multietiqueta utilizando las ponderaciones de las características asignadas a ese clúster. Los resultados experimentales en tres conjuntos de datos de imágenes conocidos, públicos e internacionales, demuestran que nuestro método propuesto permite mejorar significativamente el rendimiento con respecto a los métodos existentes.

Resonancia magnética de difusión facilitada

El tipo de interés anual es esencialmente la media ponderada de los rendimientos medios anuales de los bonos del Tesoro plurianuales a 30 años (BTP) (23 ) (80 %), de los bonos del Tesoro plurianuales a 10 años (10 %) y de las letras del Tesoro ordinarias a 12 meses (BOT) (24 ) (10 %). eur-lex.europa.eu

creado por el Ministerio de Salud de Brasil y el Instituto do Memorial de Artes Gráficas do Brasil (IMAG-Brasil), como una forma de llegar a diferentes audiencias con mensajes sobre la prevención del VIH/SIDA, su tratamiento y los derechos humanos.

Para valorar el coste medio ponderado del capital (WACC) en el mercado de deuda es necesario promediar la suma del coste de la deuda y de los fondos propios, ponderados según sus respectivas cuotas, tomando

Para la valoración del coste medio ponderado del capital (“weighted average cost of capital” o WACC) en el mercado de deuda se promediará la suma del coste de la deuda y del capital propio (equity) ponderados por sus participaciones

Imagen b0 mri

Los términos “ponderado en T1” y “ponderado en T2” se encuentran entre los conceptos más sobreutilizados y menos comprendidos de la RM. En el sentido más amplio, estos términos se utilizan para comunicar a otros médicos el tipo de secuencia de pulsos de RM empleada para generar una serie de imágenes. En un sentido más restringido, se da a entender que un único parámetro tisular intrínseco (T1, T2, densidad de espín (ρ), difusión, susceptibilidad, desplazamiento químico, flujo, perfusión, etc.) domina el contraste de imagen observado.

A los estudiantes de medicina y a los no radiólogos se les suele enseñar a fijarse en el “color” del LCR u otros fluidos para determinar el tipo de “ponderación”: LCR oscuro significa “ponderación T1” y LCR brillante significa “ponderación T2”.    Aunque este sencillo esquema podría haber funcionado hace 20 años, considere la imagen cerebral de la secuencia T2-FLAIR comúnmente utilizada que se muestra a la izquierda. Se sabe que esta secuencia es muy sensible a los cambios en T2, pero la señal del LCR se ha suprimido mediante un pulso inversor y se ha vuelto negra.

Un error fundamental sobre la “ponderación T1, T2, ρ, etc.”, es que el contraste en la imagen está dominado por un parámetro tisular específico con exclusión de todos los demás. Para demostrar la falacia de este razonamiento, desarrollé un sistema de índices para cuantificar las contribuciones relativas de estos parámetros en las imágenes cerebrales rutinarias de eco de espín. Los resultados fueron sorprendentes, y mostraron, entre otras cosas:

Difusión de rastros

Este trabajo propone un método para el cálculo del gradiente de color aplicado a la segmentación morfológica de imágenes en color. El gradiente ponderado (con pesos estimados automáticamente), propuesto en este trabajo, aplicado en conjunto con la técnica de watershed a partir de marcadores, proporciona excelentes resultados de segmentación, según un criterio visual subjetivo. El gradiente ponderado se calcula mediante la combinación lineal de los gradientes de cada banda de una imagen bajo el modelo de espacio de color IHS. Los pesos de cada gradiente se estiman mediante un método sistemático que calcula la similitud entre la imagen para calcular el gradiente y una “imagen ideal”, cuyo histograma tiene una distribución uniforme. Se realizaron varios experimentos para comparar los resultados de segmentación proporcionados por el gradiente ponderado con los resultados proporcionados por otras métricas del espacio de color, también según un criterio subjetivo, y dicha comparación se presenta en este trabajo.

IIDepartamento de Ingeniería Informática y Automatización Industrial, Escuela de Ingeniería Eléctrica y Computación, Universidad Estatal de Campinas, Apartado Postal 6101, Código Postal 13083-852 – Campinas – SP – BRASIL. {fcflores – lotufo }@dca.fee.unicamp.br

Eduardo José Cazorla