Home > Search Results: Shamaei, Amirmohammad
Search:
Search Tips :: Advanced Search
Search collections:
Sort by: Display results: Output format:
National Repository of Grey Literature 3 records found  Search took 0.00 seconds. 
DEEP LEARNING FOR SINGLE-VOXEL AND MULTIDIMENSIONAL MR-SPECTROSCOPIC SIGNAL QUANTIFICATION, AND ITS COMPARISON WITH NONLINEAR LEAST-SQUARES FITTING
 Shamaei, Amirmohammad ; Latta,, Peter (referee) ; Kozubek, Michal (referee) ; Jiřík, Radovan (advisor)
Pro získání koncentrace metabolitů ve vyšetřované tkáni ze signálů magnetické rezonanční spektroskopie (MRS) je nezbytné provézt předzpracování, analýzu a kvantifikaci MRS signálu. Rychlý, přesný a účinný proces zpracování (předzpracování, analýza a kvantifikace) MRS dat je však náročný. Tato práce představuje nové přístupy pro předzpracování, analýzu a kvantifikaci MRS dat založené na hlubokém učení (DL). Navržené metody potvrdily schopnost použití DL pro robustní předzpracování dat, rychlou a efektivní kvantifikaci MR spekter, odhad koncentrací metabolitů in vivo a odhad nejistoty kvantifikace. Navržené přístupy výrazně zlepšily rychlost předzpracování a kvantifikace MRS signálu a prokázaly možnost použití DL bez učitele. Z hlediska přesnosti byly získány výsledky srovnatelné s tradičními metodami. Dále byl zaveden standardní formát dat, který usnadňuje sdílení dat mezi výzkumnými skupinami pro aplikace umělé inteligence. Výsledky této studie naznačují, že navrhované přístupy založené na DL mají potenciál zlepšit přesnost a efektivitu zpracování MRS dat pro lékařskou diagnostiku. Disertační práce je rozdělena do čtyř částí: úvodu, přehledu současného stavu výzkumu, shrnutí cílů a úkolů a souboru publikací, které představují autorův přínos v oblasti aplikací DL v MRS.
Detailed record
Deep Learning For Magnetic Resonance Spectroscopy Quantification: A Time-Frequency Analysis Approach
 Shamaei, Amirmohammad
Magnetic resonance spectroscopy (MRS) is a technique capable of detecting chemical compounds from localized volumes in living tissues. Quantification of MRS signals is required for obtaining the metabolite concentrations of the tissue under investigation. However, reliable quantification of MRS is difficult. Recently deep learning (DL) has been used for metabolite quantification of MRS signals in the frequency domain. In another study, it was shown that DL in combination with time-frequency analysis could be used for artifact detection in MRS. In this study, we verify the hypothesis that DL in combination with time-frequency analysis can also be used for metabolite quantification and yields results more robust than DL trained with MR signals in the frequency domain. We used the complex matrix of absolute wavelet coefficients (WC) for the timefrequency representation of the signal, and convolutional neural network (CNN) implementation for DL. The comparison with DL used for quantification of data in the frequency domain is presented.
Detailed record
Deep learning for magnetic resonance spectroscopy quantification: A time frequency analysis approach
 Shamaei, Amirmohammad
Magnetic resonance spectroscopy (MRS) is a technique capable of detecting chemical compounds from localized volumes in living tissues. Quantification of MRS signals is required for obtaining the metabolite concentrations of the tissue under investigation. However, reliable quantification of MRS is difficult. Recently deep learning (DL) has been used for metabolite quantification of MRS signals in the frequency domain. In another study, it was shown that DL in combination with time-frequency analysis could be used for artifact detection in MRS. In this study, we verify the hypothesis that DL in combination with time-frequency analysis can also be used for metabolite quantification and yields results more robust than DL trained with MR signals in the frequency domain. We used the complex matrix of absolute wavelet coefficients (WC) for the time-frequency representation of the signal, and convolutional neural network (CNN) implementation for DL. The comparison with DL used for quantification of data in the frequency domain is presented.
Detailed record

See also: similar author names
1 Shamaei, Amir Mohammad
Interested in being notified about new results for this query?
Subscribe to the RSS feed.
Digital Repository :: Search :: Submit :: Personalize :: Help
Powered by Invenio v1.1.2
Maintained by admin.invenio@techlib.cz
This site is also available in the following languages:
Česky  English