An overview of the possibilities of combining medical imaging with deep learning techniques focused on CT

• Autorzy: Podolszańska, Jolanta

Warianty tytułu

PL

Przegląd możliwości połączenia obrazowania medycznego z technikami głębokiego uczenia skupionym na TK

• Języki publikacji: EN

Abstrakty

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.

Słowa kluczowe

PL

tomografia komputerowa; CNN; głębokie uczenie; analiza obrazu

EN

computed tomography; CNN; deep learning; image analysis

• Czasopismo: Inżynier i Fizyk Medyczny
• Rocznik: 2022
• Tom: Vol. 11, nr 3
• Strony: 191--194
• Opis fizyczny: Bibliogr. 8 poz., rys.

Twórcy

autor

Podolszańska, Jolanta

• Politechnika Częstochowska, Wydział Inżynierii Mechanicznej i Informatyki, Al. Armii Krajowej 36, 42–202 Częstochowa, tel. [phone],

Bibliografia

• 1. H. Greenspan, B.V. Ginneken, R.M. Summers: Guest editorial deep learning in medical imaging: Overview and future promise of an exciting new technique, IEEE Trans. Med. Imag., 35(5), 2016, 1153-1159.
• 2. J.K. Mai, G. Paxinos eds.: The human nervous system, Academic Press, 2011.
• 3. Y. Tadashi, J. Igarashi, H. Yamaura: Human-scale brain stimulation via supercomputer: a case study on the cerebellum, Neuroscience, 462, 2021, 235-246.
• 4. Y. LeCun, Y. Bengio, G. Hinton: Deep learning, Nature,. 521, 2015, 444-436.
• 5. J. Podolszańska: Process rekonstrukcji obrazu tomograficznego w oparciu o sieć Variational Autoencoder, Inżynier i Fizyk Medyczny, 10(1), 2021, 61-64
• 6. C. Szegedy et al.: Intriguing properties of neural networks, [Online], 2014, Available: https://arxiv.org/abs/1312.6199.
• 7. J.S. Todd, J.P. Shurley, T.C. Todd: Thomas L. DeLorme and the science of progressive resistance exercise The Journal of Strength & Conditioning Research, 26(11), 2012, 2913-2923.
• 8. E. Moen, D. Bannon, T. Kudo, et al.: Deep learning for cellular image analysis, Nat Methods, 16, 2019, 1233-1246, https://doi.org/10.1038/s41592-019-0403-1.