@misc{Renner2023, type = {Master Thesis}, author = {Renner, Philipp}, title = {Deep Learning basierte Segmentierung und Transformation von Spike-Rauschen in der MR-Bildgebung}, school = {Technische Hochschule N{\"u}rnberg Georg Simon Ohm}, pages = {II -- 116}, year = {2023}, abstract = {Die Magnetresonanztomographie (MRT) ist ein bildgebendes Diagnoseverfahren, das auf starken Magnetfeldern und sensiblen Detektoren basiert. Es kann zu Spike-Rauschen kommen, das die Bildqualit{\"a}t negativ beeinflusst. In dieser Arbeit wird untersucht, ob neuronale Netzwerke das Spike-Rauschen reduzieren k{\"o}nnen, um die Bildqualit{\"a}t zu verbessern. Dazu wird eine Bildverarbeitungspipeline entworfen, bestehend aus den Teilbereichen Detektion, Segmentierung und Transformation. Verschiedene neuronale Netzarchitekturen werden f{\"u}r jeden Teilbereich ausgew{\"a}hlt und auf Basis verschiedener Daten trainiert. Die Ergebnisse zeigen, dass die Detektion und Segmentierung basierend auf der L1-Norm die besten Ergebnisse liefern. Es werden bestimmte Netzwerkarchitekturen ausgew{\"a}hlt, um die Transformation durchzuf{\"u}hren. Die gesamte Pipeline reduziert das Rauschen erheblich, aber weitere Tests sind erforderlich, um die Robustheit der Implementierung sicherzustellen.}, subject = {K{\"u}nstliche Intelligenz}, language = {de} }