Tanja Loßau

Machine Learning in Cardiac CT Image Reconstruction


voorkant	achterkant

ISBN:

978-3-8440-7353-9

Reeks:

Naturwissenschaften (Biologie, Chemie, Physik,...)

Trefwoorden:

Cardiac Computed Tomography; Image Reconstruction; Artifact Quantification; Motion Compensation; Metal Artifact Removal; Machine Learning; Convolutional Neural Network

Soort publicatie:

Dissertatie

Taal:

Engels

Pagina's:

138 pagina's

Gewicht:

203 g

Formaat:

24 x 17 cm

Bindung:

Softcover

Prijs:

49,80 € / 62,30 SFr

Verschijningsdatum:

Mei 2020

Kopen:

Download:

Beschikbare online documenten voor deze titel:

U heeft Adobe Reader, nodig, om deze bestanden te kunnen bekijken. Hier vindt u ondersteuning en informatie, bij het downloaden van PDF-bestanden.

Let u er a.u.b. op dat de online-bestanden niet drukbaar zijn.


	Document		Document
	Soort bestand		PDF
	Kosten		37,35 EUR
	Acties		Tonen en kopen van het bestand - 4,7 MB (4891957 Byte)
	Acties		Kopen en downloaden van het bestand - 4,7 MB (4891957 Byte)


	Document		Inhoudsopgave
	Soort bestand		PDF
	Kosten		gratis
	Acties		Het bestand tonen - 194 kB (198230 Byte)
	Acties		downloaden van het bestand - 194 kB (198230 Byte)

Gebruikersinstellingen voor geregistreerde online-bezoekers

Hier kunt u uw adresgegevens aanpassen en uw documenten inzien.

Gebruiker:	niet aangemeld
Acties:	aanmelden/registreren Paswoord vergeten?

Aanbevelen:

Wilt u dit boek aanbevelen?

Recensie-exemplaar

Bestelling van een recensie-exemplaar.

Verlinking

Wilt u een link hebben van uw publicatie met onze online catalogus? Klik hier.

Samenvatting

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.