Zvýšení rozlišení obrazu pomocí hlubokých neuronových sítí
Loading...
Date
Authors
Bublavý, Martin
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Lekárske zobrazovanie, ktoré je základnou súčasťou súčasnej zdravotnej starostlivosti, umožňuje identifikovať a liečiť rôzne ochorenia. Prvky ako šum a nízke rozlíšenie však môžu mať negatívny vplyv na kvalitu lekárskych snímkov. V tejto práci bolo skúmané, ako zlepšiť rozlíšenie a kvalitu lekárskych fotografií pomocou MedSRGAN, modelu hlbokého učenia postaveného na generatívnych adverzných sieťach (GAN). Sieť MedSRGAN bola implementovaná a aplikovaná na počítačovú tomografiu (CT), jedna z široko využívaných lekárskych zobrazovacích metód.
The ability to identify and treat a variety of medical diseases is made possible by medical imaging, which is an essential component of contemporary healthcare. Yet, elements like noise and low resolution can have a negative impact on the quality of medical photographs. In this thesis, how to enhance the resolution and quality of medical images was investigated using MedSRGAN, a deep learning model built on generative adversarial networks (GANs). MedSRGAN was implemented and then applied to computed tomography (CT), one of the most utilized medical imaging methods.
The ability to identify and treat a variety of medical diseases is made possible by medical imaging, which is an essential component of contemporary healthcare. Yet, elements like noise and low resolution can have a negative impact on the quality of medical photographs. In this thesis, how to enhance the resolution and quality of medical images was investigated using MedSRGAN, a deep learning model built on generative adversarial networks (GANs). MedSRGAN was implemented and then applied to computed tomography (CT), one of the most utilized medical imaging methods.
Description
Keywords
MedSRGAN, lekárske zobrazovanie, hlboké učenie, generatívne adverzné siete (GANs), počítačová tomografia (CT), rozlíšenie obrazu, kvalita obrazu, super-rozlíšenie, lekárska diagnostika, zvyškové bloky, konvolučné neurónové siete (CNNs), vylepšenie obrazu, obnovenie obrazu, rekonštrukcia obrazu, spracovanie obrazu, MedSRGAN, medical imaging, deep learning, generative adversarial networks (GANs), computed tomography (CT), image resolution, image quality, super-resolution, medical diagnosis, residual blocks, convolutional neural networks (CNNs), image enhancement, image restoration, image reconstruction, image processing
Citation
BUBLAVÝ, M. Zvýšení rozlišení obrazu pomocí hlubokých neuronových sítí [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
sk
Study field
Informační technologie
Comittee
doc. Ing. Martin Čadík, Ph.D. (předseda)
doc. Ing. Zdeněk Vašíček, Ph.D. (člen)
Ing. Šárka Květoňová, Ph.D. (člen)
Ing. Filip Orság, Ph.D. (člen)
doc. Ing. Michal Španěl, Ph.D. (člen)
Date of acceptance
2023-06-13
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. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm C.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení