Python

У даній статті описується використання фрактального оператора Атангана-Белеану для задачі покращення текстур медичних МРТ зображень. Детально наводиться математичний апарат фрактального диференціала Атангана-Белеано. Розглядається числовий підхід обчислення фтрактального диференціала за допомогою методу скінченних різниць. На основі апроксимованого розв’язку, знаходяться коефіцієнти апроксимації.

In this study, we develop and evaluate performance of a location-tracking application built using a Python/Django/PostgreSQL stack. Through rigorous experimentation and its analysis, we scrutinize the efficiency of WebSocket connections in facilitating real-time commun­ication and data retrieval. By comparing our findings with the previous research results available on an ASP.NET stack, we contribute to understanding of the technologies for stack selection and the strategies used for optimization of the location-tracking applications.

Стаття присвячена побудові різницевих апроксимацій фрактальних операторів математичної моделі впливу хіміотерапії на стан ракової пухлини на підставі апарату дробового диференціювання з використанням похідної Капуто. Представлено математичну модель стовбурових клітин і хіміотерапії. Побудовано числові алгоритми для реалізації математичних моделей дробового порядку з використанням методу Атангана-Туфіка.

В даній статті було проведено дослідження алгоритмів покращення текстур на медичних зображеннях. Медичні МРТ знімки мозку містять великі області з низьким рівнем сірого кольору, що несуть важливу інформацію для лікарів. Покращення текстури дозволяє виділити великі сірі області на зображеннях для подальшого детального розпізнавання. На основі проведеного дослідження наявних методів покращення текстур визначено, що саме фрактальні оператори є ефективними для обробки медичних зображень.

У статті досліджено застосування фрактальної моделі ARFIMA для прогнозування динаміки забруднення річкових вод на основі вимірювання біохімічного споживання кисню . Дослідження починається з огляду суміжних робіт у галузі аналізу якості води. На цьому етапі також вибирається відповідний набір даних, який використовується для навчання ARFIMA, однієї з моделей машинного навчання. Напівпараметричний алгоритм GPH застосовано для оцінки параметра фрактального диференціювання ARFIMA.

У статті досліджується застосування архітектури U-Net для сегментації внутрішньочерепних крововиливів, зосереджуючись на підвищенні точності сегментації шляхом включення методів покращення текстури на основі похідних дробового порядку Ріса. Дослідження починається з проведення огляду суміжних робіт у галузі сегментації комп’ютерної томографії (КТ). На цьому етапі також вибирається відповідний набір даних. Спочатку він використовувався для навчання U-Net, однієї з широко поширених моделей глибокого навчання в області сегментації медичних зображень.