УСТРАНЕНИЕ АРТЕФАКТОВ НА ИЗОБРАЖЕНИЯХ КОМПЬЮТЕРНОЙ ТОМОГРАФИИ СЕРДЦА ПРИ ПОМОЩИ НЕЙРОННОЙ СЕТИ СО СЛОЯМИ ЧАСТИЧНОЙ СВЕРТКИ
Аннотация
Объектом исследования данной работы является новый метод обработки изображений от артефактов, который основан на нейронной сети с частичными свертками.
Целью данной работы является оценить адекватность применения данного метода для устранения металлических артефактов с КТ изображений сердца, а так же проверить гипотезу о том, может ли искусственная нейронная сеть, обучившись на изображениях, обработанных методом
NMAR, обработать КТ изображение сердца лучше.
В процессе работы были отобраны вручную КТ изображения сердца с небольшими артефактами. Далее они обрабатывались методом NMAR. Для каждого изображения создавались искусственные артефакты. Затем на полученных данных обучалась в течение 10 дней искусственная нейронная
сеть U-Net со слоями частичной свертки.
В результате исследования удалось обнаружить, что искусственная нейронная сеть справляется с задачей устранения металлических артефактов лучше, чем метод NMAR, использующий линейную интерполяцию, на основании обработки тестовой выборки с искусственно созданными
металлическими артефактами.
REMOVING ARTIFACTS FROM COMPUTED TOMOGRAPHY
IMAGES OF HEART USING NEURAL NETWORK WITH PARTIAL
CONVOLUTION LAYER The object of this research is a new method for processing images from artifacts, which is based on a neural network with partial convolution layers.
The aim of this work is to evaluate the adequacy of using of this method to reduce metal artifacts from CT images of the heart. As well as to test the hypothesis of whether an artificial neural network that is studied with NMAR-processed images can process a CT image of the heart better than NMAR.
In the process, CT images of the heart with small artifacts were manually selected. They were further processed by NMAR. Artificial artifacts were created for each image. Then, the artificial neural network U-Net with layers of partial convolution was studied on the obtained data for 10 days.
As a result of the study, it was found that an artificial neural network reduces metal artifacts better than the NMAR method that uses linear interpolation.
Целью данной работы является оценить адекватность применения данного метода для устранения металлических артефактов с КТ изображений сердца, а так же проверить гипотезу о том, может ли искусственная нейронная сеть, обучившись на изображениях, обработанных методом
NMAR, обработать КТ изображение сердца лучше.
В процессе работы были отобраны вручную КТ изображения сердца с небольшими артефактами. Далее они обрабатывались методом NMAR. Для каждого изображения создавались искусственные артефакты. Затем на полученных данных обучалась в течение 10 дней искусственная нейронная
сеть U-Net со слоями частичной свертки.
В результате исследования удалось обнаружить, что искусственная нейронная сеть справляется с задачей устранения металлических артефактов лучше, чем метод NMAR, использующий линейную интерполяцию, на основании обработки тестовой выборки с искусственно созданными
металлическими артефактами.
REMOVING ARTIFACTS FROM COMPUTED TOMOGRAPHY
IMAGES OF HEART USING NEURAL NETWORK WITH PARTIAL
CONVOLUTION LAYER The object of this research is a new method for processing images from artifacts, which is based on a neural network with partial convolution layers.
The aim of this work is to evaluate the adequacy of using of this method to reduce metal artifacts from CT images of the heart. As well as to test the hypothesis of whether an artificial neural network that is studied with NMAR-processed images can process a CT image of the heart better than NMAR.
In the process, CT images of the heart with small artifacts were manually selected. They were further processed by NMAR. Artificial artifacts were created for each image. Then, the artificial neural network U-Net with layers of partial convolution was studied on the obtained data for 10 days.
As a result of the study, it was found that an artificial neural network reduces metal artifacts better than the NMAR method that uses linear interpolation.