Publication:
Compensación de radiación dispersa en radiografía digital a través del aprendizaje automático: resultados preliminares

Simple item page
dc.affiliation.dptoUC3M. Departamento de Bioingenieríaes
dc.affiliation.grupoinvUC3M. Grupo de Investigación: Biomedical Imaging and Instrumentation Groupes
dc.contributor.authorSakaltras, N.
dc.contributor.authorTovar Saez, F. A.
dc.contributor.authorMartinez Sanchez, C.
dc.contributor.authorDel Cerro, C. F.
dc.contributor.authorDesco Menéndez, Manuel
dc.contributor.authorAbella García, Mónica
dc.contributor.funderMinisterio de Economía y Competitividad (España)es
dc.contributor.funderComunidad de Madrides
dc.contributor.funderUniversidad Carlos III de Madrides
dc.date.accessioned2021-06-03T10:28:15Z
dc.date.available2021-06-03T10:28:15Z
dc.date.issued2020
dc.descriptionActas de: CASEIB 2020: XXXVIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica, 25–27 Nov, 2020 (congreso virtual).es
dc.description.abstractLa dispersión de los rayos X reduce significativamente la resolución de contraste de la imagen en radiografía digital de tórax. La estrategia convencional para la reducción de la radiación dispersa es el uso de rejillas antidifusoras que, aunque mejoran la calidad de la imagen, aumentan la dosis de radiación absorbida por el paciente y plantean problemas en técnicas no estándar. En este trabajo, proponemos un método de corrección de la radiación dispersa basado en técnicas de aprendizaje profundo, que adopta una red neuronal convolucional de arquitectura U-net con 4 bloques tanto en el codificador como en el decodificador. Debido a la falta de pares de adquisiciones reales con y sin rejilla antidifusoras, se realizaron simulaciones de Monte Carlo para generar los datos de entrenamiento. El presente estudio demuestra el potencial del método propuesto, con un error inferior al 5%.es
dc.description.sponsorshipEste trabajo ha sido financiado por el Ministerio de Ciencia, Innovación y Universidades (Instituto de Salud Carlos III, proyecto DTS17/00122; Agencia Estatal de Investigación, proyecto DPI2016-79075-R-AEI/FEDER, UE), cofinanciado por Fondos de la Unión Europea (FEDER), "A way of making Europe". Además, ha sido financiado por el Programa de apoyo a la realización de proyectos interdisciplinares de I+D para jóvenes investigadores de la Universidad Carlos III de Madrid 2019-2020 en el marco del Convenio Plurianual Comunidad de Madrid- Universidad Carlos III de Madrid (proyecto DEEPCT-CM-UC3M). El CNIC está financiado por el Ministerio de Ciencia, Innovación y Universidades y la fundación PRO-CNIC y es un centro de excelencia Severo Ochoa (SEV-2015-0505).es
dc.format.extent4
dc.identifier.bibliographicCitationCASEIB 2020: XXXVIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica, libro de actas, 25–27 Nov, 2020. Sociedad Española de Ingeniería Biomédica, 2020, pp. 73–76.es
dc.identifier.isbn978-84-09-25491-0
dc.identifier.publicationfirstpage73
dc.identifier.publicationlastpage76
dc.identifier.publicationtitleCompensación de radiación dispersa en radiografía digital a través del aprendizaje automático: resultados preliminareses
dc.identifier.urihttps://hdl.handle.net/10016/32829
dc.identifier.uxxiCC/0000032425
dc.language.isospa
dc.publisherSociedad Española de Ingeniería Biomédicaes
dc.relation.eventdate2020-11-25
dc.relation.eventplaceEspaña (congreso virtual)es
dc.relation.eventtitleXXXVIII Congreso Anual de la Sociedad Española de Ingeniería Biomédicaes
dc.relation.projectIDGobierno de España. DPI2016-79075-Res
dc.relation.projectIDComunidad de Madrid. DEEPCT-CM-UC3Mes
dc.relation.projectIDGobierno de España. DTS17/00122es
dc.relation.projectIDGobierno de España. SEV-2015-0505es
dc.relation.publisherversionhttp://caseib.es/2020/wp-content/uploads/2020/12/CASEIB2020_LibroActas.pdf
dc.rightsAtribución-NoComercial-SinDerivadas 3.0 España*
dc.rights.accessRightsopen access
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/*
dc.subject.ecienciaBiología y Biomedicinaes
dc.titleCompensación de radiación dispersa en radiografía digital a través del aprendizaje automático: resultados preliminareses
dc.typeconference proceedings*
dc.type.hasVersionAM*
dspace.entity.typePublication
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Compensacion_CASEIB_2020.pdf
Size:
875.03 KB
Format:
Adobe Portable Document Format
Download
Collections
DBIAB - BIIG - Proceedings