Examinando por Autor "Trujillo, Maria"

Mostrando 1 - 2 de 2
  • Miniatura
    PublicaciónAcceso abierto
    An overview on the standard of digital video broadcasting – terrestrial.
    (2013-09-24) Trujillo, Maria
    Digital Video Broadcasting (DVB) es un consorcio formado por industriales de los medios de comunicación, que está integrado por radiodifusores, fabricantes, operadores de redes, desarrolladores de software y organismos reguladores. El consorcio fue creado con el fin de definir las normas técnicas para estandarizar todos los aspectos relacionados con la prestación de servicios de televisión digital. El estándar DVB ha sido adoptado en Europa, Oriente Medio, Suráfrica y Australasia. Adicionalmente, el estándar DVB fue seleccionado en Colombia y Panamá como el sistema de transmisión de televisión digital terrestre (DVB-T/T2). El estándar DVB es un conjunto de especificaciones que permiten la integración de información multimedia para proveer servicios de información, educación, negocios y entretenimiento. La implementación de DVB requiere de acuerdos entre los radiodifusores, operadores de redes y fabricantes en la definición de los parámetros de operación, además de tener en cuenta las normativas gubernamentales. Este artículo presenta un resumen de los principales elementos definidos en el estándar DVB-T/T2, basado en los documentos guía elaborados por el consorcio DVB, e incluye algunas de las acciones tomadas durante el proceso de implementación de DVB-T/T2 en Colombia.
  • Miniatura
    PublicaciónAcceso abierto
    Optimising the frangi filter : SCALR - A scale prediction model to enhance perivascular space Quantification using machine learning
    (Universidad del Valle, 2024) Diaz Villota, Juan Sebastián; Bernal Moyano, José Alfonso; Trujillo, Maria
    Growing interest in perivascular spaces (PVS) quantification has highlighted the need for accurate and robust methods, particularly in magnetic resonance imaging (MRI). The Frangi filter is widely used to enhance tubular structures, including PVS, however its performance is highly dependent on scale selection. In the context of computer vision, ”scale” refers to the size of the structures or features being detected by a filter or detector. In multiscale filtering, multiple scales are used to capture structures of varying sizes, and an optimal scale corresponds to the size at which a structure of interest is best enhanced or detected. Despite advancements in multiscale filtering techniques, determining an optimal scale for PVS quantification remains an open challenge. We introduce SCALR, a machine learning-based approach for scale selection in Frangi filtering to improve PVS quantification. A linear regression model, trained on synthetic and real MRI data, is used to infer an optimal scale based on a range of noise levels and voxel sizes across various imaging conditions. The findings indicate that SCALR enhances PVS detection, particularly in low signal-to-noise ratio MRI. By automating scale selection, SCALR increases the reliability of quantification and provides a scalable solution for integrating Frangi-based PVS analysis into clinical and research workflows.