Original title: Potlačení šumu v rentgenových snímcích s využitím hlubokého učení
Translated title: Deep learning-based noise reduction in X-ray images
Authors: Říhová, Barbora ; Jakubíček, Roman (referee) ; Zemek, Marek (advisor)
Document type: Bachelor's theses
Year: 2024
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract: [eng] [cze]
Technologie zobrazování pomocí rentgenových paprsků je základem zkoumání vnitřní struktury velké škály objektů a výsledky mohou být právě kvůli šumu kompromitovány. Tato práce se zabývá odstraňováním šumu v rentgenových projekcích pomocí hlubokého učení, které má schopnost adaptovat se na konkrétní problém. Práce obsahuje teoretickou rešerši zaměřenou na oblasti produkce a detekce rentgenových paprsků, šumu v rentgenových snímcích a neuronových sítí. Speciální kapitola je věnována popisu vybraného řešení, které je provedeno pomocí tvorby datasetu složeného z části z modelovaných rentgenových projekcí s následně implementovaným šumem odpovídající modelu v reálných snímcích a částečně ze sérií rentgenových projekcí získaných ze zařízení Rigaku nano3DX. K implementaci byla vybrána architektura konvoluční neuronové sítě RIDNet, vzhledem k tomu, že poskytuje v oblasti redukce šumu dobré výsledky. Byly natrénovány tři modely s použitím různých částí datasetu. Nejlepší výkon byl pozorován u modelů, u kterých byla při trénování použita reálná data. Jejich účinnost je srovnatelná s tradičními metodami jako BM3D. X-ray imaging technology is the foundation for exploring the internal structure of a wide range of objects, however the results can be compromised by noise. This thesis is focused on the removal of noise in X-ray projections using deep learning, that has the capability to adapt to a specific task. The thesis contains a theoretical investigation focusing on the areas of X-ray production and detection, noise in X-ray images, and neural networks. A special chapter is devoted to the description of the chosen solution, which is performed by creating a dataset partially consisting of modeled X-ray projections with the subsequent incorporation of noise corresponding to noise model in real images and partly from X-ray projection series. The RIDNet convolutional neural network architecture was selected for implementation, since it shows good result for denoising task. Three models were trained using different parts of the dataset. The best performance was observed for models, that used real data for training. Their performance is comparable to traditional methods such as BM3D.
Keywords: hluboké učení; konvoluční neuronové sítě; odstraňování šumu; rentgenové zobrazování; šum; convolutional neural networks; deep learning; denoising; noise; X-ray imaging

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: https://hdl.handle.net/11012/247403

Permalink: http://www.nusl.cz/ntk/nusl-618488


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Bachelor's theses