PL
 |
EN
Preferencje help
Polish version English version Język
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 5

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Content available Validation of a three-dimensional head phantom for imaging data
Podolszańska Jolanta
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
|
2023
|
T. 13, nr 3
29--32
EN
This paper presents the research results on the design of a three-dimensional head phantom for cone beam projection. The head model is based on a Shepp-Logan mathematical head model, which is used to simulate the operation of the CT scanner. The model is then compared with the reference data for structural similarity, reasoning, and shape. The geometric parameters of the obtained images are investigated. The reconstructed image is analyzed using the FDK method. The results show that the geometric parameters directly correlate with the number of projections. A mathematical framework of cone beam 3d reconstruction via the first derivative of the radon transform is presented.
PL
W artykule przedstawiono wyniki badań nad projektem trójwymiarowego fantomu głowy do projekcji wiązki stożkowej. Model głowy jest oparty na matematycznym modelu głowy Shepp-Logan, który jest używany do symulacji działania skanera CT. Model jest następnie porównywany z danymi referencyjnymi pod kątem podobieństwa strukturalnego, rozumowania i kształtu. Badane są parametry geometryczne uzyskanych obrazów. Zrekonstruowany obraz jest analizowany przy użyciu metody FDK. Wyniki pokazują, że parametry geometryczne mają bezpośredni związek z liczbą projekcji. Przedstawiono matematyczne ramy rekonstrukcji 3D wiązki stożkowej za pomocą pierwszej pochodnej transformaty radonowej.
2
Content available An overview of the possibilities of combining medical imaging with deep learning techniques focused on CT
Podolszańska Jolanta
Inżynier i Fizyk Medyczny
|
2022
|
Vol. 11, nr 3
191--194
EN
Combining tomographic imaging with deep learning techniques enables image analysis. There are still many questions in the subject of image reconstruction from projection using a deep neural network. This publication focuses on biomedical imaging with an emphasis on developing a new generation of image reconstruction techniques using deep neural networks. Such targeted research may lead to the development of intelligent use of knowledge in big data, including innovative approaches to the reconstruction of tomographic images and further development in the area of diagnostic imaging. Fully utilizing the possibilities of machine learning in biomedical imaging will be the first step in the development of new translational techniques.
PL
Połączenie obrazowania tomograficznego z technikami uczenia głębokiego umożliwia analizę obrazu. W dziedzinie rekonstrukcji obrazu z projekcji za pomocą głębokiej sieci neuronowej wciąż istnieje wiele wątpliwości. Ta publikacja skupia się na obrazowaniu biomedycznym z naciskiem na opracowanie nowej generacji technik rekonstrukcji obrazów właśnie z użyciem głębokich sieci neuronowych. Tak ukierunkowane badania mogą prowadzić do rozwoju inteligentnego wykorzystania wiedzy z zakresu big data, w tym innowacyjnych podejść do rekonstrukcji obrazów tomograficznych oraz dalszego rozwoju w obszarze diagnostyki obrazowej. W pełni wykorzystane możliwości uczenia maszynowego w obrazowaniu biomedycznym będzie pierwszym krokiem do rozwoju nowych technik translacyjnych.
3
Content available Proces rekonstrukcji obrazu tomograficznego w oparciu o sieć Variational Autoencoder
Podolszańska Jolanta
Inżynier i Fizyk Medyczny
|
2021
|
Vol. 10, nr 1
61--64
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.
4
Content available Fantomy do testowania efektywności algorytmów rekonstrukcyjnych
Podolszańska Jolanta
Inżynier i Fizyk Medyczny
|
2021
|
Vol. 10, nr 4
297--300
PL
W artykule przedstawiono, na czym polega tomografia transmisyjna i emisyjna oraz zaprezentowano dwa fantomy dedykowane do każdej z tych technik. Fantom Shepp-Logana i fantom Jaszczaka są niezwykle przydatnymi modelami w projektowaniu i testowaniu algorytmów rekonstrukcyjnych. Przedstawiono także z punktu matematycznego, jak zaprojektować jeden z nich.
EN
This paper describes what transmission and emission tomography are and presents two phantoms dedicated to each of these techniques. The Shepp-Logan phantom and the Jaszczak phantom are extremely useful models in designing and testing reconstruction algorithms. It is shown from a mathematical point of view how to design one of them.
5
Content available remote Klasyfikacja obrazów w tomografii komputerowej z wykorzystaniem głębokich sieci neuronowych
Podolszańska Jolanta
Inżynier i Fizyk Medyczny
|
2020
|
Vol. 9, nr 4
235--237
PL
Głębokie uczenie jest podkategorią uczenia maszynowego, które polega na tworzeniu wielowarstwowych sieci neuronowych, naśladując tym samym wykonywanie zadań przez ludzki mózg. Algorytmy głębokiego uczenia są ułożone według rosnącej złożoności, dlatego możliwe jest stworzenie systemów do analizy dużych zbiorów danych. Proces uczenia odbywa się bez nadzoru, a program buduje samodzielnie zestaw cech do rozpoznania. Artykuł przybliża na czym polega owa klasyfikacja obrazu tomograficznego.
EN
Deep learning is a subcategory of machine learning, which involves the creation of multilayer neural networks, mimicking the performance of tasks by the human brain. Deep learning algorithms are arranged according to increasing complexity, so it is possible to create systems to analyze large data sets. The learning process takes place unsupervised, and the program builds a set of features to recognize. The article presents the classification of the tomographic image.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.