• search hit 1 of 4
Back to Result List

Deep Learning basierte Segmentierung und Transformation von Spike-Rauschen in der MR-Bildgebung

  • 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.

Download full text files

Export metadata

Additional Services

Search Google Scholar
Metadaten
Author:Philipp Renner
Referee:Oliver Hofmann
Advisor:Mario Zeller
Document Type:Master's Thesis
Language:German
Publishing Institution:Technische Hochschule Nürnberg Georg Simon Ohm
Granting Institution:Technische Hochschule Nürnberg Georg Simon Ohm
Date of final exam:2023/10/01
Release Date:2023/06/29
Tag:Bildklassifikation; Künstliche Intelligenz; MRT
GND Keyword:Künstliche Intelligenz; Multiresonanztherapie
Pagenumber:116
First Page:II
Last Page:116
institutes:Fakultät für Elektrotechnik Feinwerktechnik Informationstechnik
Dewey Decimal Classification:6 Technik, Medizin, angewandte Wissenschaften
Licence (German):Keine Lizenz - Deutsches Urheberrecht gilt
Verstanden ✔
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.