|
|
Zvýšení rozlišení perfúzního zobrazování magnetickou rezonancí pomocí komprimovaného snímání
Mangová, Marie ; Polec,, Jaroslav (oponent) ; Šmídl, Václav (oponent) ; Rajmic, Pavel (vedoucí práce)
Perfúzní zobrazování v magnetické rezonanci je lékařská diagnostická metoda, která vyžaduje vysoké prostorové i časové rozlišení. Toto vysoké rozlišení je důležité proto, aby bylo možné zachytit dynamiku nitrožilně podané kontrastní látky, která se pro měření perfúze používá. Magnetická rezonance má však svá fyzikální omezení, která nedovolují dosáhnutí současně vysokého časového i prostorového rozlišení. Práce se zabývá komprimovaným snímáním, které umožňuje rekonstrukci obrazu i z relativně malého počtu naměřených dat (pod Nyquistovým kritériem), zatímco rozlišení potřebné k perfúzní analýze se zvýší. Toho lze dosáhnout pomocí vhodně navržených apriorních informací o snímaných datech a sestavení modelu. Rekonstrukce pak probíhá jako optimalizační problém. Dizertační práce přináší několik nových rekonstrukčních modelů, dále navrhuje metodu, jak zmenšit vychýlenost těchto odhadů, a zkoumá vliv komprimovaného snímání na perfúzní parametry. Celá práce je zakončena rozšířením komprimovaného snímání na trojrozměrná data, u kterých je rovněž popsán vliv rekonstrukce na perfúzní parametry. Celkově práce ukazuje, že díky komprimovanému snímání je možné zvýšit buď časové rozlišení při ponechání prostorového rozlišení, nebo při ponechání časového rozlišení lze zvýšit prostorové rozlišení.
|
|
|
Inpainting of Missing Audio Signal Samples
Mach, Václav ; Polec,, Jaroslav (oponent) ; Koldovský,, Zdeněk (oponent) ; Rajmic, Pavel (vedoucí práce)
Recently, sparse representations of signals became very popular in the field of signal processing. Sparse representation mean that the signal is represented exactly or very well approximated by a linear combination of only a few vectors from the specific representation system. This thesis deals with the utilization of sparse representations of signals for the process of audio restoration, either historical or recent records. Primarily old audio recordings suffer from defects like crackles or noise. Until now, short gaps in audio signals were repaired by interpolation techniques, especially autoregressive modeling. Few years ago, an algorithm termed the Audio Inpainting was introduced. This algorithm solves the missing audio signal samples inpainting using sparse representations through the greedy algorithm for sparse approximation. This thesis aims to compare the state-of-the-art interpolation methods with the Audio Inpainting. Besides this, l1-relaxation methods are utilized for sparse approximation, while both analysis and synthesis models are incorporated. Algorithms used for the sparse approximation are called the proximal algorithms. These algorithms treat the coefficients either separately or with relations to their neighbourhood (structured sparsity). Further, structured sparsity is used for audio denoising. In the experimental part of the thesis, parameters of each algorithm are evaluated in terms of optimal restoration efficiency vs. processing time efficiency. All of the algorithms described in the thesis are compared using objective evaluation methods Signal-to-Noise ratio (SNR) and PEMO-Q. Finally, the overall conclusion and discussion on the restoration results is presented.
|
|
|
Zvýšení rozlišení perfúzního zobrazování magnetickou rezonancí pomocí komprimovaného snímání
Mangová, Marie ; Polec,, Jaroslav (oponent) ; Šmídl, Václav (oponent) ; Rajmic, Pavel (vedoucí práce)
Perfúzní zobrazování v magnetické rezonanci je lékařská diagnostická metoda, která vyžaduje vysoké prostorové i časové rozlišení. Toto vysoké rozlišení je důležité proto, aby bylo možné zachytit dynamiku nitrožilně podané kontrastní látky, která se pro měření perfúze používá. Magnetická rezonance má však svá fyzikální omezení, která nedovolují dosáhnutí současně vysokého časového i prostorového rozlišení. Práce se zabývá komprimovaným snímáním, které umožňuje rekonstrukci obrazu i z relativně malého počtu naměřených dat (pod Nyquistovým kritériem), zatímco rozlišení potřebné k perfúzní analýze se zvýší. Toho lze dosáhnout pomocí vhodně navržených apriorních informací o snímaných datech a sestavení modelu. Rekonstrukce pak probíhá jako optimalizační problém. Dizertační práce přináší několik nových rekonstrukčních modelů, dále navrhuje metodu, jak zmenšit vychýlenost těchto odhadů, a zkoumá vliv komprimovaného snímání na perfúzní parametry. Celá práce je zakončena rozšířením komprimovaného snímání na trojrozměrná data, u kterých je rovněž popsán vliv rekonstrukce na perfúzní parametry. Celkově práce ukazuje, že díky komprimovanému snímání je možné zvýšit buď časové rozlišení při ponechání prostorového rozlišení, nebo při ponechání časového rozlišení lze zvýšit prostorové rozlišení.
|
|
|
Inpainting of Missing Audio Signal Samples
Mach, Václav ; Polec,, Jaroslav (oponent) ; Koldovský,, Zdeněk (oponent) ; Rajmic, Pavel (vedoucí práce)
Recently, sparse representations of signals became very popular in the field of signal processing. Sparse representation mean that the signal is represented exactly or very well approximated by a linear combination of only a few vectors from the specific representation system. This thesis deals with the utilization of sparse representations of signals for the process of audio restoration, either historical or recent records. Primarily old audio recordings suffer from defects like crackles or noise. Until now, short gaps in audio signals were repaired by interpolation techniques, especially autoregressive modeling. Few years ago, an algorithm termed the Audio Inpainting was introduced. This algorithm solves the missing audio signal samples inpainting using sparse representations through the greedy algorithm for sparse approximation. This thesis aims to compare the state-of-the-art interpolation methods with the Audio Inpainting. Besides this, l1-relaxation methods are utilized for sparse approximation, while both analysis and synthesis models are incorporated. Algorithms used for the sparse approximation are called the proximal algorithms. These algorithms treat the coefficients either separately or with relations to their neighbourhood (structured sparsity). Further, structured sparsity is used for audio denoising. In the experimental part of the thesis, parameters of each algorithm are evaluated in terms of optimal restoration efficiency vs. processing time efficiency. All of the algorithms described in the thesis are compared using objective evaluation methods Signal-to-Noise ratio (SNR) and PEMO-Q. Finally, the overall conclusion and discussion on the restoration results is presented.
|
host ::
RSS.