Zvýšení rozlišení obrazu pomocí hlubokých neuronových sítí

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.