Machine learning in cardiac CT image reconstruction : labeled data synthesis for the removal of motion and metal artifacts
Bibliographische Detailangaben
- Titel
- Machine learning in cardiac CT image reconstruction labeled data synthesis for the removal of motion and metal artifacts
- verantwortlich
- ; ; ; ;
- Hochschulschriftenvermerk
- Dissertation, Technische Universität Hamburg, 2020
- veröffentlicht
-
Hamburg: , 2020
- Erscheinungsjahr
- 2020
- Erscheint auch als
- Loßau, Tanja, 1992 - , Machine learning in Cardiac CT Image Reconstruction, Düren : Shaker, 2020, vi, 127 Seiten
- Medientyp
- E-Book Hochschulschrift
- Datenquelle
- K10plus Verbundkatalog
- Tags
- Tag hinzufügen
Zugang
Kostenfrei zugänglich
Diese Ressource ist frei verfügbar.
- Details Klicken Sie hier, um den Inhalt der Registerkarte zu laden.
- Standorte Klicken Sie hier, um den Inhalt der Registerkarte zu laden.
- Internformat Klicken Sie hier, um den Inhalt der Registerkarte zu laden.
- Zusammenfassung
- Diese Dissertation befasst sich mit der Entfernung von kardialen CT Bildgebungsartefakten verursacht durch Bewegung und Metallimplantate. Eine Kombination aus modellbasierter Datensynthese und anschließendem datengetriebenen Lernens von Methoden zur Bildverbesserung wird vorgestellt. Vorwärtsmodelle zur virtuellen Artefaktgenerierung werden unter Einbeziehung von Vorkenntnissen über die Herzanatomie und die CT-Bildgebungsphysik entwickelt. Sie bilden das Gegenstück resultierender lernbasierter Rückwärtsmodelle, welche beim Testen auf Realdaten eine signifikante Reduktion der Artefakte erzielen.
This dissertation focuses on the removal of cardiac CT imaging artifacts caused by motion and metal implants. A combination of model-based data synthesis and subsequent data-driven learning of image enhancement methods is proposed. Forward models for virtual artifact generation are developed by incorporating prior knowledge about the cardiac anatomy and CT imaging physics. They form the counterpart of resulting learning-based backward models, which achieve significant reduction of artifacts during testing on real data. - Umfang
- 1 Online-Ressource (vi, 127 Seiten); Illustrationen
- Sprache
- Englisch
- Schlagworte
- BK-Notation
-
44.09 Medizintechnik
44.85 Kardiologie, Angiologie
54.72 Künstliche Intelligenz - DDC-Notation
- 570: Biowissenschaften, Biologie ; 616.075 ; 610
- DOI
- 10.15480/882.2906