SavedAdd your journal

Journals / Muş Alparslan Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2021 / Cilt: 2 - Sayı: 1

Farklı Otokodlayıcı Modelleri ile Sentetik Beyin MR Görüntülerinin Çoğaltılması

Şeyda KARCI
Pages
29–34
Publication Date
2021-06-30
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Sonuçlar yapısal benzerlikleri ve görünümleri açısından karşılaştırmalı olarak detaylı bir şekilde verilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Oto-kodlayıcılar girdi katmanında ki değerleri çıkış katmanında da elde etmeye çalışan tam bağlı yapay sinir ağlarıdır.
📊
Key Findings & Data:Yapılan bu çalışmada, farklı modelleri MR görüntülerine uygulanacak şekilde düzenlenmiş ve uygulanmıştır.
💡
Conclusion & Impact:Sonuçlar yapısal benzerlikleri ve görünümleri açısından karşılaştırmalı olarak detaylı bir şekilde verilmiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Beyin MR Görüntüleri · Otokodlayıcılar · Görüntü İşleme

Özet

Oto-kodlayıcılar girdi katmanında ki değerleri çıkış katmanında da elde etmeye çalışan tam bağlı yapay sinir ağlarıdır. Yapılan bu çalışmada, farklı modelleri MR görüntülerine uygulanacak şekilde düzenlenmiş ve uygulanmıştır. Bu amaçla üç farklı yöntem uygulanmış ve sonuçları elde edilmiştir. Sonuçlar yapısal benzerlikleri ve görünümleri açısından karşılaştırmalı olarak detaylı bir şekilde verilmiştir.

🔖

Cite This Article

KARCI, Ş. (2021). Farklı Otokodlayıcı Modelleri ile Sentetik Beyin MR Görüntülerinin Çoğaltılması. Muş Alparslan Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 2 - Sayı: 1, 29–34. https://ajindex.com/articles/854499

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (6)

  1. Baldi, P.,“Autoencoders, Unsupervised Learning, and Deep Architectures,” Workshop on Unsupervised and Transfer Learning, 2012. Chen, w., Wang, W., Liu, L., Lew, M.S.,”New ideas and trends in deep multimodel content ınderstanding: A review”, Neurocomputing, Vol:426, pp:195-215, 2021.
  2. Guo, C., Wang, H., Jian, T., Xu, C., Sun, S., “Method for denoising and reconstructing radar HRRP using modified sparse autoencoder”, Chinese Journal of Aeronautics, vol. 33, pp:1026-1036, 2020. Kaggle: https://www.kaggle.com/navoneel/brain-mri-images-for-brain-tumor-detection (Ocak,2021).
  3. Nishio, M., Nagashima, C., Hirabayashi, S., Ohnishi, A., Sasaki, K., Sagawa, T., Hamada, M., Yamashita, T., “Convolutional auto-encoder for image denoising of ultra-low-does CT”, Heliyon, Vol:2017, doi:10.1016/j.heliyon.2017. e00393. Rumelhart, D.E., Hinton, G.E., Williams, R.J.,” Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Vol. 1,” D. E. Rumelhart, J. L. McClelland, and C. PDP Research Group, Eds. Cambridge, MA, USA: MIT Press, pp. 318–362, 1986.
  4. Wang, Y., Zhao, Y., Addepalli, S.,”Remaining useful life prediction using deep learning approaches:A Review”, Procedia Manufacturing, Vol: 49, pp:81-88, 2020.
  5. Wu, W., Zhao, J., Zhang, C., Meng, F., Zhang, Z., Zhang, Y., Sun. Q.”,Improving performance of tenssor-based context-aware recommenders using bias tensor factorization with context feature auto-encoding”, Knowledge-Based Systems, Vol:128, pp:71-77, 2017.
  6. Sara, U., Akter, M., Uddin, M.S., “Image Quality Assessment Through FSIM, SSIM, MSE and PSNR-A Comparitive Study”, Journal of Computer and Communications, Vol.7 No.3, 2019.