| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Digitālās humanitārās zinātnes |
| Nosaukums |
Konvolūcijas neironu tīkla risinājuma Noise2Void izmantošana SPECT attēla trokšņa samazināšanai |
| Nosaukums angļu valodā |
Application of a Convolutional Neural Network Solution Noise2Void in Noise Reduction of SPECT Image |
| Struktūrvienība |
23000 E-studiju tehnoloģiju un humanitāro zinātņu fakultāte |
| Darba vadītājs |
Agris Ņikitenko |
| Recenzents |
Sintija Petroviča |
| Anotācija |
Paaugstināts trokšņa līmenis scintigrāfijas izmeklējumu attēlos pazemina kopējo attēla kvalitāti un precizitāti. Tie ir būtiski faktori klīniskai interpretācijai. Šī maģistra darba “Konvolūcijas neironu tīkla risinājuma Noise2Void pielietojums SPECT attēlu trokšņa samazināšanai” mērķis ir izstrādāt SPECT attēlu atpazīšanas novēršanas pieeju, kas balstīta uz neuzraudzītu dziļo mācīšanos. Darbā SPECT attēlu trokšņa samazināšanai tika pielāgota un pārbaudīta pieeja Noise2Void, kas apmācības procesā balstās tikai uz zemas kvalitātes attēliem. Darbs ietver literatūras apskatu par SPECT attēlu veidošanās fizikālajiem procesiem, par trokšņiem un artefaktiem un trokšņu samazināšanas metodēm, pētījuma stratēģijas un metožu aprakstu, kā arī SPECT attēlu trokšņu samazināšanas rezultātu apstrādes un analīzes aprakstu.
Maģistra darbs sastāv no 96 lappusēm, 60 attēliem un 3 tabulām. Darbā ir izmantoti 37 literatūras avoti. |
| Atslēgas vārdi |
Neuzraudzīta dziļā mācīšanās, trokšņu samazināšana, medicīniskie attēli, nukleārā medicīna, SPECT. |
| Atslēgas vārdi angļu valodā |
Unsupervised deep learning, Noise2Void, noise reduction, medical imaging, nuclear medicine, SPECT |
| Valoda |
eng |
| Gads |
2022 |
| Darba augšupielādes datums un laiks |
23.05.2022 22:39:51 |
