Potlačení artefaktů způsobených přítomností kovů v dentálních CT snímcích
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Artefakty způsobené přítomností kovů v snímcích výpočetní tomografie mohou ovlivnit jejich čitelnost a způsobit komplikace při rozhodování lékařských profesionálů. V posled- ních letech metody založené na hlubokém učení zaznamenaly při řešení tohoto problému značný úspěch v porovnaní oproti klasickým specializovaným metodám. V této práci byly implementovány a vyzkoušeny dva modely neuronových sítí (Autoencoder, U-Net), spo- lečně s lepším způsobem pro generovaní syntetické datové sady, která je v daném případě přirozeně nemožná vytvořit. Bylo dosaženo výsledků hodnotících metrik (PSNR, SSIM) porovnatelných s jinými nejmodernějšími přístupy, zatímco byly sníženy požadavky pro po- třebná předzpracovaná data, která je obtížné získat. Tento obecnější přístup umožňuje širší a jednodušší použití bez nutnosti specifického kontrolovaného prostředí.
Artifacts caused by the presence of metals in computed tomography scans impact their readability and can cause problems when making decisions for medical professionals. In recent years, deep learning-based methods have seen considerable success in solving this problem, compared to older hand-crafted solutions. In this work, two supervised neural network models (Autoencoder, U-net) are implemented, along with a better way to solve the problem of creating a synthetic dataset, as otherwise in this case it is naturally impossible to obtain. The results in evaluation metrics (PSNR, SSIM) achieved are on par with those of state-of-the-art solutions while reducing the need for prerequisites that are complicated to prepare. This generalized solution enables a broader and easier application without needing a specific controlled environment.
Artifacts caused by the presence of metals in computed tomography scans impact their readability and can cause problems when making decisions for medical professionals. In recent years, deep learning-based methods have seen considerable success in solving this problem, compared to older hand-crafted solutions. In this work, two supervised neural network models (Autoencoder, U-net) are implemented, along with a better way to solve the problem of creating a synthetic dataset, as otherwise in this case it is naturally impossible to obtain. The results in evaluation metrics (PSNR, SSIM) achieved are on par with those of state-of-the-art solutions while reducing the need for prerequisites that are complicated to prepare. This generalized solution enables a broader and easier application without needing a specific controlled environment.
Description
Keywords
výpočetní tomografie, CT, potlačení kovových artefaktů, MAR, hluboké učení, konvoluční neuronové sítě, Autoencoder, U-Net, vytvoření umělého datasetu, computed tomography, CT, metal artifact reduction, MAR, deep learning, convolutional neural networks, Autoencoder, U-Net, synthethic dataset creation
Citation
VÁGNER, D. Potlačení artefaktů způsobených přítomností kovů v dentálních CT snímcích [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2023.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Informační technologie
Comittee
doc. Ing. Martin Čadík, Ph.D. (předseda)
doc. Ing. Radek Burget, Ph.D. (člen)
Ing. Vojtěch Mrázek, Ph.D. (člen)
Ing. David Bařina, Ph.D. (člen)
Ing. Jaroslav Rozman, Ph.D. (člen)
Date of acceptance
2023-06-15
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných, např. ohledně generování použitého datasetu či původu viditelných artefaktů. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm výborně / A.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení