liu.seSök publikationer i DiVA
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Improving Image Quality in Cardiac Computed Tomography using Deep Learning
Linköpings universitet, Institutionen för medicin och hälsa, Avdelningen för kardiovaskulär medicin.
2019 (Engelska)Självständigt arbete på avancerad nivå (masterexamen), 20 poäng / 30 hpStudentuppsats (Examensarbete)Alternativ titel
Att förbättra bildkvalitet från datortomografier av hjärtat med djupinlärning (Svenska)
Abstract [en]

Cardiovascular diseases are the largest mortality factor globally, and early diagnosis is essential for a proper medical response. Cardiac computed tomography can be used to acquire images for their diagnosis, but without radiation dose reduction the radiation emitted to the patient becomes a significant risk factor. By reducing the dose, the image quality is often compromised, and determining a diagnosis becomes difficult. This project proposes image quality enhancement with deep learning. A cycle-consistent generative adversarial neural network was fed low- and high-quality images with the purpose to learn to translate between them. By using a cycle-consistency cost it was possible to train the network without paired data. With this method, a low-quality image acquired from a computed tomography scan with dose reduction could be enhanced in post processing.

The results were mixed but showed an increase of ventricular contrast and artifact mitigation. The technique comes with several problems that are yet to be solved, such as structure alterations, but it shows promise for continued development.

Ort, förlag, år, upplaga, sidor
2019. , s. 53
Nyckelord [en]
deep learning, neural network, GAN, cycleGAN, CT, heart, imaging, medical imaging
Nationell ämneskategori
Medicinteknik
Identifikatorer
URN: urn:nbn:se:liu:diva-154506ISRN: LiU-IMH-EX-19/01-SEOAI: oai:DiVA.org:liu-154506DiVA, id: diva2:1289740
Ämne / kurs
Medicinsk teknik
Handledare
Examinatorer
Tillgänglig från: 2019-02-19 Skapad: 2019-02-18 Senast uppdaterad: 2019-02-19Bibliografiskt granskad

Open Access i DiVA

Thesis(5063 kB)95 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 5063 kBChecksumma SHA-512
8b7704ebb97aa602c60966dab78906cd2142aa442acae78103b2cf23804d5dd8f16b2f9f94380278c343e54ae97c911abe8b6df66cc26ac7b31fd23eaa110806
Typ fulltextMimetyp application/pdf

Sök vidare i DiVA

Av författaren/redaktören
Wajngot, David
Av organisationen
Avdelningen för kardiovaskulär medicin
Medicinteknik

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 95 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 239 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf