<?xml version="1.0" encoding="utf-8"?>
<export-example>
  <doc>
    <id>991</id>
    <completedYear>2023</completedYear>
    <publishedYear>2023</publishedYear>
    <thesisYearAccepted>2023</thesisYearAccepted>
    <language>deu</language>
    <pageFirst>II</pageFirst>
    <pageLast>116</pageLast>
    <pageNumber>116</pageNumber>
    <edition/>
    <issue/>
    <volume/>
    <type>masterthesis</type>
    <publisherName/>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>1</belongsToBibliography>
    <completedDate>2023-06-28</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>2023-10-01</thesisDateAccepted>
    <title language="deu">Deep Learning basierte Segmentierung und Transformation von Spike-Rauschen in der MR-Bildgebung</title>
    <abstract language="deu">Die Magnetresonanztomographie (MRT) ist ein bildgebendes Diagnoseverfahren, das auf starken Magnetfeldern und sensiblen Detektoren basiert. Es kann zu Spike-Rauschen kommen, das die Bildqualität negativ beeinflusst. In dieser Arbeit wird untersucht, ob neuronale Netzwerke das Spike-Rauschen reduzieren können, um die Bildqualität zu verbessern. Dazu wird eine Bildverarbeitungspipeline entworfen, bestehend aus den Teilbereichen Detektion, Segmentierung und Transformation. Verschiedene neuronale Netzarchitekturen werden für jeden Teilbereich ausgewählt 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 ausgewählt, um die Transformation durchzuführen. Die gesamte Pipeline reduziert das Rauschen erheblich, aber weitere Tests sind erforderlich, um die Robustheit der Implementierung sicherzustellen.</abstract>
    <enrichment key="opus.source">publish</enrichment>
    <licence>Keine Lizenz - Deutsches Urheberrecht gilt</licence>
    <author>Philipp Renner</author>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Künstliche Intelligenz</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Multiresonanztherapie</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Künstliche Intelligenz</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Bildklassifikation</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>MRT</value>
    </subject>
    <collection role="ddc" number="6">Technik, Medizin, angewandte Wissenschaften</collection>
    <collection role="institutes" number="">Fakultät für Elektrotechnik Feinwerktechnik Informationstechnik</collection>
    <thesisPublisher>Technische Hochschule Nürnberg Georg Simon Ohm</thesisPublisher>
    <thesisGrantor>Technische Hochschule Nürnberg Georg Simon Ohm</thesisGrantor>
  </doc>
</export-example>
