liu.seSearch for publications in DiVA
Change search
Refine search result
1 - 2 of 2
CiteExportLink to result list
Permanent link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Rows per page
  • 5
  • 10
  • 20
  • 50
  • 100
  • 250
Sort
  • Standard (Relevance)
  • Author A-Ö
  • Author Ö-A
  • Title A-Ö
  • Title Ö-A
  • Publication type A-Ö
  • Publication type Ö-A
  • Issued (Oldest first)
  • Issued (Newest first)
  • Created (Oldest first)
  • Created (Newest first)
  • Last updated (Oldest first)
  • Last updated (Newest first)
  • Disputation date (earliest first)
  • Disputation date (latest first)
  • Standard (Relevance)
  • Author A-Ö
  • Author Ö-A
  • Title A-Ö
  • Title Ö-A
  • Publication type A-Ö
  • Publication type Ö-A
  • Issued (Oldest first)
  • Issued (Newest first)
  • Created (Oldest first)
  • Created (Newest first)
  • Last updated (Oldest first)
  • Last updated (Newest first)
  • Disputation date (earliest first)
  • Disputation date (latest first)
Select
The maximal number of hits you can export is 250. When you want to export more records please use the Create feeds function.
  • 1.
    Lundberg, Jacob
    et al.
    Linköping University, Department of Computer and Information Science.
    Christensen, Robin
    Linköping University, Department of Computer and Information Science.
    Lundegård, Ylva
    Linköping University, Department of Computer and Information Science.
    Segerbäck, Emil
    Linköping University, Department of Computer and Information Science.
    Sletmo, Patrik
    Linköping University, Department of Computer and Information Science.
    Tiefenbacher, Teo
    Linköping University, Department of Computer and Information Science.
    Vik, Jon
    Linköping University, Department of Computer and Information Science.
    Wajngot, David
    Linköping University, Department of Computer and Information Science.
    Hur är det att vara en robot?2017Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesis
    Abstract [sv]

    När både robotar och VR utvecklas i rask takt är det spännande att se vad för användningsområden de kan utnyttjas inom. I det här projektet har ett gränssnitt mellan VR och robot utvecklats, med målet att kunna bedriva forskning inom kognitionsvetenskap. Projektet har utförts av åtta studenter på Linköpings universitet i form av ett kandidatarbete. Projektet och denna rapport ämnar att besvara om slutprodukten fungerar tillräckligt bra för att kunna bedriva kognitionsvetenskaplig forskning, vilka erfarenheter som kan erhållas från projektet, huruvida en systemanatomi kan understödja arbetet och vilka mjukvarulösningar som kan utnyttjas generellt för att bidra till en hållbar utveckling och om dessa är applicerbara på detta projekt.

    Slutprodukten anses av projektgruppen och beställaren ha tillräcklig funktionalitet för att bedriva viss kognitionsvetenskaplig forskning. Många ovärderliga erfarenheter har erhållits, framför allt hur kommunikation används för arbete inom en projektgrupp med uppdelade ansvarsområden. Även erfarenheter kring kravhantering och versionhantering av binära filer har erhållits. En systemanatomi kan ge stöd på olika sätt under ett projekt som detta. Flera metoder kan utnyttjas för att bidra till hållbar utveckling, men arbetet som krävs är inte värt att utföra i ett projekt av denna storlek.

    Projektgruppen är nöjd med sin insats och projektet i sin helhet. Det har varit en oerhört givande erfarenhet, och vår förhoppning är att beställare och nästa års studenter ska kunna utnyttja produkten och bygga vidare på den. Vi hoppas även att läsare av rapporten ska njuta av läsningen och lära sig något om dess innehåll.

  • 2.
    Wajngot, David
    Linköping University, Department of Medical and Health Sciences, Division of Cardiovascular Medicine.
    Improving Image Quality in Cardiac Computed Tomography using Deep Learning2019Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
    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.

1 - 2 of 2
CiteExportLink to result list
Permanent link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf