Comparison of Cycle-GAN and Auto-Encoder in Brain MR Image Super Resolution

سال انتشار: 1399
محل انتشار: نهمین کنفرانس بین المللی فناوری اطلاعات،کامپیوتر و مخابرات
کد COI اختصاصی: ITCT09_024
زبان مقاله: انگلیسی
تعداد مشاهده: 745

نویسندگان

Faculty of Biomedical Engineering, Sahand University of Technology

Department of Electronic and Computer Engineering, College of Engineering, Design and Physical Sciences, Brunel University, UK. Sebelan

چکیده

Due to some limitations in medical image acquisitions, such as low radiation dose, immobility of patient for a long time during the imaging process, and the diagnostic quality of the medical image itself, generating Super-Resolution Image studies in medical image processing is significantly vital. Many image restoration techniques have changed from an analytical point of view to machine learning-dependent methods. We testify two famous machine learning models that are so significant in the reconstruction of the image data, Cycle Generative Adversarial Neural Network (CGAN), and Autoencoder (AE) in Super-Resolution of brain MR images. For quality assessment of reconstructed images, we use the Mean Opinion Score (MOS). The results show CGAN reconstructed images better than AE.

کلیدواژه ها

Super Resolution, Cycle GAN, Autoencoder, MR images

مقالات مرتبط جدید

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.