Proces rekonstrukcji obrazu tomograficznego w oparciu o sieć Variational Autoencoder

• Autorzy: Podolszańska Jolanta

Warianty tytułu

EN

The process of reconstruction in a CT image based on an variational autoencoder network

• Języki publikacji: PL

Abstrakty

PL

Artykuł ma na celu zapoznanie się z rekonstrukcją i odszumianiem obrazu za pomocą sieci neuronowej typu VAE (Variational Auto-Encoder). W pracy zostanie dokonana analiza porównawcza pod kątem błędów rekonstrukcji i występujących na obrazie anomalii. Posłużono się zbiorem obrazów TK mózgu (Visible Female CT), aby pokazać, jak wygląda rekonstrukcja i odszumianie metodą Variational Autoencoder.

EN

This paper aims to learn about image reconstruction and de-noising using Variational Encoder (VAE) neural network. The paper will make a comparative analysis in terms of reconstruction errors and anomalies present in the image. A collection of brain CT images (Visible Female CT) is used to show how reconstruction and de-noising by Variational Autoencoder method.

Słowa kluczowe

PL

tomografia komputerowa; obrazowanie medyczne; autokoder wariacyjny; przetwarzanie obrazu

EN

computed tomography; medical imaging; variational autoencoder; VAE; image processing

• Wydawca: Indygo Zahir Media
• Czasopismo: Inżynier i Fizyk Medyczny
• Rocznik: 2021
• Tom: Vol. 10, nr 1
• Strony: 61--64
• Opis fizyczny: Bibliogr. 13 poz., rys.

Twórcy

autor

Podolszańska Jolanta

• Politechnika Częstochowska, Wydział Inżynierii Mechanicznej i Informatyki, Katedra Inteligentnych Systemów Informatycznych, Al. Armii Krajowej 21 42-201 Częstochowa

Bibliografia

• 1. R. Cierniak: X-Ray Computed Tomography in Biomedical Engineering, Springer, 2011, doi: 10.1007/978-0-85729-027-4.
• 2. M. Nishio, Ch. Nagashima, S. Hirabayashi, A. Ohnishi, K. Sasaki, T. Sagawa, M. Hamada, T. Yamashita: Convolutional auto-encoder for image denoising of ultra-low-dose CT, Heliyon, 3(8), 2017.
• 3. H. Chen et al.: Low-Dose CT With a Residual Encoder-Decoder Convolutional Neural Network, IEEE Transactions on Medical Imaging, 36(12), 2017, 2524-2535, doi: 10.1109/TMI.2017.2715284 (2017).
• 4. T. Inglot: Teoria informacji a statystyka matematyczna, Mathematica Applicanda, 42 (1), 2014, 115-115, DOI: 10.14708/ ma.v42i1.521, data dostępu: 14.10.2020.
• 5. S.U. Dar, M. Yurt, L. Karacan, A. Erdem, E. Erdem, T. Çukur: Image synthesis in multi-contrast mri with conditional generative adversarial networks, IEEE Transactions on Medical Imaging, 38(10), 2019, 2375-2388.
• 6. V. Berger, M. Sebag: Variational Auto-Encoder: not all failures are equal, 2020.
• 7. N. Pawlowski, M.C.H. Lee, M. Rajchl, S. McDonagh, E. Ferrante, K. Kamnitsas, S. Cooke, S. Stevenson, A. Khetani, T. Newman, F. Zeiler, R. Digby, J.P. Coles, D. Rueckert, D.K. Menon, V.F.J. Newcombe, B. Glocker: Unsupervised Lesion Detection in Brain CT using Bayesian Convolutional Autoencoders, Medical Imaging with Deep Learning Conference, 2018.
• 8. J. An, S. Cho: Variational autoencoder based anomaly detection using reconstruction probability, [in:] SNU Data Mining Center, Tech. Rep., 2015.
• 9. Y. Gal, Z. Ghahramani: Bayesian convolutional neural networks with Bernoulli approximate variational inference, [in:] arXiv preprint arXiv:1506.02158, (2015).
• 10. Ch. Louizos, M. Welling: Multiplicative Normalizing Flows for Variational Bayesian Neural Networks, [in:] arXiv preprint arXiv:1703.01961, 2017.
• 11. Y. Bando, K. Sekiguchi, K. Yoshii: Adaptive Neural Speech Enhancement with a Denoising Variational Autoencoder, INTERSPEECH 2020 Conference, Shanghai, China, 2020.
• 12. D. Zimmerer, J. Petersen, S.A.A. Kohl, K.H. Maier-Hein: A Case for the Score: Identifying Image Anomalies using Variational Autoencoder Gradients, Image and Video Processing, 2019.
• 13. Zbiór danych Visible Female CT dataset head section, https://mri.radiology.uiowa.edu/visible_human_datasets.html.