Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | De Araújo, Darlan M. N. | - |
Autor(es): dc.creator | Salvadeo, Denis H. P. | - |
Autor(es): dc.creator | De Paula, Davi D. | - |
Data de aceite: dc.date.accessioned | 2025-08-21T18:02:00Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T18:02:00Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2023-05-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1117/1.JMI.10.3.034001 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/305208 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/305208 | - |
Descrição: dc.description | Purpose: Image denoising based on deep neural networks (DNN) needs a big dataset containing digital breast tomosynthesis (DBT) projections acquired in different radiation doses to be trained, which is impracticable. Therefore, we propose extensively investigating the use of synthetic data generated by software for training DNNs to denoise DBT real data. Approach: The approach consists of generating a synthetic dataset representative of the DBT sample space by software, containing noisy and original images. Synthetic data were generated in two different ways: (a) virtual DBT projections generated by OpenVCT and (b) noisy images synthesized from photography regarding noise models used in DBT (e.g., Poisson-Gaussian noise). Then, DNN-based denoising techniques were trained using a synthetic dataset and tested for denoising physical DBT data. Results were evaluated in quantitative (PSNR and SSIM measures) and qualitative (visual analysis) terms. Furthermore, a dimensionality reduction technique (t-SNE) was used for visualization of sample spaces of synthetic and real datasets. Results: The experiments showed that training DNN models with synthetic data could denoise DBT real data, achieving competitive results to traditional methods in quantitative terms but showing a better balance between noise filtering and detail preservation in a visual analysis. T-SNE enables us to visualize if synthetic and real noises are in the same sample space. Conclusion: We propose a solution for the lack of suitable training data to train DNN models for denoising DBT projections, showing that we just need the synthesized noise to be in the same sample space as the target image. | - |
Descrição: dc.description | São Paulo State University Institute of Geociences and Exact Sciences | - |
Descrição: dc.description | São Paulo State University Institute of Geociences and Exact Sciences | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Journal of Medical Imaging | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | deep learning | - |
Palavras-chave: dc.subject | digital breast tomosynthesis | - |
Palavras-chave: dc.subject | image denoising | - |
Palavras-chave: dc.subject | synthetic data | - |
Palavras-chave: dc.subject | virtual clinical trials | - |
Título: dc.title | Denoising digital breast tomosynthesis projections using deep learning with synthetic data as training set | - |
Tipo de arquivo: dc.type | livro digital | - |
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: