Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.creator | De Araújo, Darlan M.N. [UNESP] | - |
Autor(es): dc.creator | Salvadeo, Denis H. P. [UNESP] | - |
Autor(es): dc.creator | De Paula, Davi D. [UNESP] | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:46:17Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:46:17Z | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2020-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1117/12.2582185 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/206144 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/206144 | - |
Descrição: dc.description | The Digital Breast Tomosynthesis (DBT) projections are obtained with low quality, being essential to use denoising methods to increase the quality of the projections. Currently, deep learning methods have become the state-of-art approach in denoising. Some papers have proposed to apply deep learning methods for denoising DBT projections, however, there is a lack of clarity in the results comparing with traditional methods. In this paper, we proposed to use a CNN to denoise DBT projections, and compare it with traditional denoising methods. The results shown that the CNN is superior quantitatively and qualitatively in comparison with the traditional methods. | - |
Descrição: dc.description | São Paulo State Univ. (Unesp) Institute of Geosciences and Exact Sciences (IGCE) | - |
Descrição: dc.description | São Paulo State Univ. (Unesp) Institute of Geosciences and Exact Sciences (IGCE) | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Progress in Biomedical Optics and Imaging - Proceedings of SPIE | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Convolutional neural networks | - |
Palavras-chave: dc.subject | Deep learning | - |
Palavras-chave: dc.subject | Denoising | - |
Palavras-chave: dc.subject | Digital breast tomosynthesis | - |
Título: dc.title | Denoising digital breast tomosynthesis projections using convolutional neural networks | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: