Berdón, P. M.Del Cerro, C. F.Gimenez, R.C.Desco Menéndez, ManuelAbella García, Mónica2021-06-012021-06-012020CASEIB 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. 285–288.978-84-09-25491-0https://hdl.handle.net/10016/32815Actas de: CASEIB 2020: XXXVIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica, 25–27 Nov, 2020 (congreso virtual).La adquisición de proyecciones incompletas debido a que parte de la muestra se extiende fuera del campo de visión, resulta en inconsistencias en los datos que dan lugar a lo que se conoce como artefacto de truncamiento. Se han propuesto varios métodos para la compensación de la falta de datos, basados en la extrapolación de las proyecciones, pero ninguno consigue recuperar completamente los datos truncados. Este trabajo presenta un nuevo método de compensación del artefacto de truncamiento en imágenes de TAC basado en técnicas de aprendizaje profundo. La evaluación en datos simulados a partir de estudios de roedores muestra la viabilidad de la propuesta.4spaAtribución-NoComercial-SinDerivadas 3.0 Españaconference proceedingsBiología y Biomedicinaopen access285288Corrección del Artefacto de Truncamiento en TAC mediante Aprendizaje profundoCC/0000032398