Método de reconstrucción tomográfica con información a priori obtenida con aprendizaje profundo

e-Archivo Repository

Show simple item record

dc.contributor.author Piol, A.
dc.contributor.author Del Cerro, C.
dc.contributor.author García Blas, Francisco Javier
dc.contributor.author Desco Menéndez, Manuel
dc.contributor.author Abella García, Mónica
dc.date.accessioned 2021-06-03T10:11:15Z
dc.date.available 2021-06-03T10:11:15Z
dc.date.issued 2020
dc.identifier.bibliographicCitation CASEIB 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. 206–209.
dc.identifier.isbn 978-84-09-25491-0
dc.identifier.uri http://hdl.handle.net/10016/32828
dc.description Actas de: CASEIB 2020: XXXVIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica, 25–27 Nov, 2020 (congreso virtual).
dc.description.abstract En sistemas de tomografía computarizada tradicionales, los datos se adquieren girando fuente y detector alrededor de la muestra completando un rango angular de 360 grados y obteniendo, generalmente, más de 360 proyecciones. Sin embargo, existen situaciones donde solo es posible obtener un número limitado de proyecciones, como en el caso del uso de sistemas de arco en C en un entorno intraoperatorio. Esta limitación de datos resulta en artefactos específicos en la reconstrucción y, consecuentemente, en pérdida de detalles importantes para el diagnóstico clínico. Una solución para compensar la falta de datos es utilizar información a priori en algoritmos iterativos. El algoritmo SCoLD permite la reconstrucción del volumen con un número limitado de proyecciones, incorporando como información a priori el soporte de la muestra, identificado con una máscara binaria. En este trabajo se propone una metodología de reconstrucción de datos incompletos basado en la combinación de un algoritmo de reconstrucción que incorpora el soporte de la muestra como información a priori con un paso de obtención de este soporte usando metodología de aprendizaje profundo.
dc.description.sponsorship Este 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) y por CRUE Universidades, CSIC y el Banco Santander (Fondo Supera, proyecto RADCOV19). 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).
dc.format.extent 4
dc.language.iso spa
dc.publisher Sociedad Española de Ingenieria Biomedica
dc.rights Atribución-NoComercial-SinDerivadas 3.0 España
dc.rights.uri http://creativecommons.org/licenses/by-nc-nd/3.0/es/
dc.title Método de reconstrucción tomográfica con información a priori obtenida con aprendizaje profundo
dc.type conferenceObject
dc.relation.publisherversion http://caseib.es/2020/wp-content/uploads/2020/12/CASEIB2020_LibroActas.pdf
dc.subject.eciencia Biología y Biomedicina
dc.subject.eciencia Informática
dc.rights.accessRights openAccess
dc.relation.projectID Gobierno de España. DPI2016-79075-R
dc.relation.projectID Comunidad de Madrid. DEEPCT-CM-UC3M
dc.relation.projectID Gobierno de España. DTS17/00122
dc.relation.projectID Gobierno de España. SEV-2015-0505
dc.type.version acceptedVersion
dc.relation.eventdate 2020-11-25
dc.relation.eventplace España (conferencia virtual)
dc.relation.eventtitle XXXVIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica
dc.relation.eventtype proceeding
dc.identifier.publicationfirstpage 206
dc.identifier.publicationlastpage 209
dc.identifier.publicationtitle Método de reconstrucción tomográfica con información a priori obtenida con aprendizaje profundo
dc.identifier.uxxi CC/0000032424
dc.contributor.funder Ministerio de Economía y Competitividad (España)
dc.contributor.funder Universidad Carlos III de Madrid
dc.contributor.funder Comunidad de Madrid
 Find Full text

Files in this item

*Click on file's image for preview. (Embargoed files's preview is not supported)


The following license files are associated with this item:

This item appears in the following Collection(s)

Show simple item record