COMPARISON OF THE INFLUENCE OF STANDARDIZATION AND NORMALIZATION OF DATA ON THE EFFECTIVENESS OF SPONGY TISSUE TEXTURE CLASSIFICATION

Budzik G., Dziubek T., Turek P.: Podstawowe czynniki wpływające na jakość obrazów tomograficznych. Problemy Nauk Stosowanych 2015, 77–84.
  Google Scholar

Chen Y, Dougherty E.R.: Gray-scale morphological granulometric texture classification. Optical Engineering 33 (8)/1994, 2713–2722.
DOI: https://doi.org/10.1117/12.173552   Google Scholar

Cichy P.: Analiza tekstury obrazów cyfrowych – zastosowanie do wybranej klasy obrazów biomedycznych. Rozprawa doktorska, Politechnika Łódzka, Wydział Elektrotechniki i Elektroniki, Instytut Elektroniki, Łódź 2001.
  Google Scholar

Downey P.A., Siegel M.I.: Bone Biology and the Clinical Implications for Osteoporosis. Phys Ther 86/2006, 77–91.
DOI: https://doi.org/10.1093/ptj/86.1.77   Google Scholar

Duda D., Krtowski M., Bézy-Wendling J.: Klasyfikacja tekstur w rozpoznawaniu nowotworów wątroby na podstawie serii obrazów tomograficznych. Obrazowanie Medyczne, tom 1, 2005.
  Google Scholar

Duda D., Krętowski M., Bézy-Wendling J.: Ekstrakcja cech teksturalnych w klasyfikacji obrazów tomograficznych wątroby. Zeszyty Naukowe Politechniki Białostockiej, Informatyka, 2007.
  Google Scholar

Dzierżak R., Omiotek Z., Tkacz E., Kępa A.: The Influence of the Normalisation of Spinal CT Images on the Significance of Textural Features in the Identification of Defects in the Spongy Tissue Structure. IBE 2018 Innovations in Biomedical Engineering, 2019, 55–66.
DOI: https://doi.org/10.1007/978-3-030-15472-1_7   Google Scholar

Giannakopoulos X., Karhunen J., Oja E.: An Experimental Comparison Of Neural ICA Algorithms. Proc. Int. Conf. on Artificial Neural Networks ICANN’98, 1998, 651–656.
DOI: https://doi.org/10.1007/978-1-4471-1599-1_99   Google Scholar

Ismail Bin M., Dauda U.: Standardization and Its Effects on K-Means Clustering Algorithm. Research Journal of Applied Sciences, Engineering and Technology 6(17)/ 2013, 3299–3303.
DOI: https://doi.org/10.19026/rjaset.6.3638   Google Scholar

Lazarek J.: Metody analizy obrazu – analiza obrazu mammograficznego na podstawie cech wyznaczonych z tekstury. Informatyka, Automatyka Pomiary w Gospodarce i Ochronie Środowiska 4/2013, 10–13.
DOI: https://doi.org/10.5604/20830157.1121332   Google Scholar

Lee T.W., Lewicki M.S.: Unsupervised Imane Classification, Segmentation and Enhancement Using ICA Mixture Models. IEEE Transactions on Image Processing 11(3)/2002, 270-279.
DOI: https://doi.org/10.1109/83.988960   Google Scholar

Lygeros J.: A Formal Approach to Fuzzy Modelling. Proceedings of ACC, 1995, 3740–3744.
  Google Scholar

Mala K., Sadasivam V.: Automatic Segmentation and Classification of Diffused Liver Diseases using Wavelet Based Texture Analysis and Neural Network. Annual IEEE INDICON Conference, 2005, 216–219.
  Google Scholar

Marcus R., Feldman D., Dempster D., Luckey M., Cauley J.: Osteoporosis, 4th ed. Elsevier Academic Press, 2013.
  Google Scholar

Matheron G.: Random sets and integraf geometry. Wiley, New York 1975.
  Google Scholar

Nasser Y., Hassouni M., Brahim A., Toumi H., Lespessailles E., Jennane R.: Diagnosis of osteoporosis disease from bone X-ray images with stacked sparse autoencoder and SVM classifier. Proceedings of the 2017 International Conference on Advanced Technologies for Signal and Image Processing (ATSIP), 2017, 1–5.
DOI: https://doi.org/10.1109/ATSIP.2017.8075537   Google Scholar

Nieniewski M., Serneels R.: Extraction of the Shape of Small Defects on the Surface of Ferrite Cores. Machine Graphics and Vision 9 (1/2)/2000, 453–462.
  Google Scholar

Omiotek, Z.: Improvement of the classification quality in detection of Hashimoto’s disease with a combined classifier approach. Journal of Engineering in Medicine 231(8)/ 2017, 774–782.
DOI: https://doi.org/10.1177/0954411917702682   Google Scholar

Omiotek Z., Wójcik W.: The use of Hellwig’s method for dimension reduction in feature space of thyroid ultrasound images. Informatyka, Automatyka, Pomiary 3/2014, 14–17 [DOI: 10.5604/20830157.1121333].
DOI: https://doi.org/10.5604/20830157.1121333   Google Scholar

Reshmalakshmi C., Sasikumar M.: Trabecular bone quality metric from X-ray images for osteoporosis detection. Proceedings of the 2017 International Conference on Intelligent Computing, Instrumentation and Control Technologies (ICICICT), India, 2017, 1694–1697.
DOI: https://doi.org/10.1109/ICICICT1.2017.8342826   Google Scholar

Snitkowska E.: Analiza tekstur w obrazach cyfrowych i jej zastosowanie do obrazów angiograficznych, Rozprawa doktorska, Politechnika Warszawska, 2004.
  Google Scholar

Strzelecki M., Materka A.: Tekstura obrazów biomedycznych. Metody analizy komputerowej. Wydawnictwo PWN, Warszawa 2017.
  Google Scholar

Tadeusiewicz R., Śmietański J.: Pozyskiwanie obrazów medycznych oraz ich przetwarzanie, analiza, automatyczne rozpoznawanie i diagnostyczna interpretacja. Wydawnictwo Studenckiego Towarzystwa Naukowego, Kraków 2011.
  Google Scholar

Titus A., Nehemiah H., Kannan A.: Classification of interstitial lung disease using particle swarm optimized support vector machines. International Journal of Soft Computing 10 (1)/2015, 25–36.
  Google Scholar

Usman, K., Rajpoot, K.: Brain tumor classification from multi-modality MRI using wavelets and machine learning. Pattern Analysis and Applications 20(3)/2017, 871–881.
DOI: https://doi.org/10.1007/s10044-017-0597-8   Google Scholar

www.eletel.p.lodz.pl/programy/cost/progr_mazda.html [06.05.2018].
  Google Scholar