Wyniki wyszukiwania - BazTech

1

Deep learning correction for image reconstruction in electrical impedance tomography using UNet model

Maciura Łukasz, Rymarczyk Tomasz, Wójcik Dariusz, Gauda Konrad, Kowalski Marcin

Przegląd Elektrotechniczny

|

2023

|

R. 99, nr 6

134--137

EN

This article was inspired by a similar Deep DBar algorithm, where a modified UNet convolutional model was used to correct the output of the DBar algorithm using the UNet model. However, instead of the DBar algorithm, another deterministic electrical impedance tomography reconstruction algorithm was used in this solution. The modified UNet model was used to successfully correct the initial reconstructions, which were computed using Kotre regularities using pseudo-inversion of the sensitivity matrix.

PL

Ten artykuł został inspirowany podobnym algorytmem Deep DBar, w którym zmodyfikowany model splotowy UNet został użyty do skorygowania danych wyjściowych algorytmu DBar przy użyciu modelu UNet. Jednak zamiast algorytmu DBar w tym rozwiązaniu zastosowano inny deterministyczny algorytm rekonstrukcji elektrycznej tomografii impedancyjnej. Zmodyfikowany model UNet został wykorzystany do skutecznej korekcji wstępnych rekonstrukcji, które zostały obliczone przy użyciu regularności Kotrego z wykorzystaniem pseudo-inwersji macierzy czułości.

2

Novel hybrid algorithm using convolutional autoencoder with SVM for electrical impedance tomography and ultrasound computed tomography

Maciura Łukasz, Wójcik Dariusz, Rymarczyk Tomasz, Król Krzysztof

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2023

|

T. 13, nr 2

4--9

EN

This paper presents a new hybrid algorithm using multiple support vector machines models with a convolutional autoencoder forelectrical impedance tomography, and ultrasound computed tomography image reconstruction. The ultimate hybrid solution uses multiple SVM models to convert input measurements to individual autoencoder codes representing a given scene then the decoder part of the autoencoder can reconstruct the scene.

PL

Artykuł przedstawia nowy hybrydowy algorytm który używa modeli maszyn wektorów nośnych wraz z autoenkoderem konwolucyjnym do rekonstrukcji obrazu z elektrycznej tomografii impedancyjnej oraz ultrasonograficznej tomografii transmisyjnej. Ostateczne rozwiązanie hybrydowe używa wielu modeli SVM do konwersji pomiarów wejściowych do pojedynczych kodów autoenkodera reprezentujących daną scenę a wtedy dekoder wyciętyz autoenkodera może zrekonstruować daną scenę.

3

UNet model in image reconstruction for electrical impedance tomography

Maciura Łukasz, Wójcik Dariusz, Rosa Wojciech, Rymarczyk Tomasz, Maj Michał

Przegląd Elektrotechniczny

|

2022

|

R. 98, nr 4

123--126

EN

This paper presents a new algorithm where the UNet convolutional neural network was used to correct deterministic algorithm results, as was is another similar solution using the DBar deterministic algorithm. Instead of the DBar algorithm, another EIT reconstruction algorithm was used in the context cooperation with impedance tomography to extract details in EIT reconstruction. The algorithm uses machine learning to improve the tomographic images obtained with the deterministic algorithm. The final result contains much less noise, and the position of the objects is much better defined, unlike in the deterministic approach. Furthermore, the paper shows how the reconstruction obtained with the hybrid tomograph can be improved to show more details. This paper aims to present a solution that will be used in the context of medical tomography, where the EIT system and the developed algorithm will be used to obtain high-resolution tomography images of the bladder.

PL

Ten artykuł prezentuje nowy algorytm, gdzie sieć konwolucyjna UNet była użyta do korekcji wyników algorytmu deterministycznego jak było w podobnym rozwiązaniu używającym deterministyczny algorytm DBar. Zamiast algorytmu DBar inny algorytm rekonstrukcji EIT został użyty w kontekscie współpracy z tomografią impedancyjną w celu wyodrębnienia szczegółów rekonstrukcji EIT. Algorytm używa uczenie maszynowe do polepszenia obrazów tomograficznych uzyskanych za pomocą algorytmu deterministycznego. Artykuł pokazuje jak rekonstrukcja uzyskana za pomocą tomografu hybrydowego może być ulepszona by ukazywałą więcej szczegółów. Celem tego artykułu jest zaprezentowanie rozwiązania, które będzie użyte w kontekscie tomografii medycznej, gdzie system EIT wraz z którym opracowany algorytm będzie użyty w celu uzyskania wysokiej rozdzielczości obrazów tomograficznych pęcherza moczowego.

4

3D lung segmentation of the CT series based on 2D Chan-Vese

Maciura Łukasz, Rosa Wojciech, Wójcik Dariusz, Rymarczyk Tomasz, Maj Michał, Kozłowski Edward

Przegląd Elektrotechniczny

|

2022

|

R. 98, nr 5

165--168

EN

This paper presents a new 3D segmentation algorithm for lung segmentation tasks on CT series. The algorithm consists of a 2D stage (for each slice) which is performed parallelly and 3D postprocessing after merging to 3D. The 2D stage consists of 2D preprocessing, Chan - Vese segmentation, and 2D postprocessing. This algorithm was tested on the set of 60 CT series containing labelled data enable to its assessment. The results of the algorithm are close to deep learning approaches. This algorithm will be an element of a commercial expert system for medical applications where some patient assessment will be necessary based on segmented human organs.

PL

Ten artykuł prezentuje nowy algorytm segmentacji 3D do zadań segmentacji płuc na seriach z tomografii komputerowej. Ten algorytm składa się z etapu 2D (dla każdego przekroju) który jest wykonywany równolegle i post-processingu 3D po scaleniu wyników do 3D. Etap 2D składa się z pre-processingu 2D, segmentacji Chan – Vese I post-processingu 2D. Algorytm był przetestowany na zbiorze 60 serii obtazów z tomografii komputerowej zawierających zaetykietowane dane co umożliwiło jego ocenę. Wyniki algorytmu są przybliżonej dokładności do rozwiązań deep learning. Algorytm ten będzie elementem komercyjnego system ekspertowego do zastosowań medycznych, gdzie niezbędna będzie ocena pacienta bazując na segmentowanych organach człowieka.