KaydedilenlerDerginizi ekleyin

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

Farklı Otokodlayıcı Modelleri ile Sentetik Beyin MR Görüntülerinin Çoğaltılması

Şeyda KARCI
Sayfa
29–34
Yayın Tarihi
2021-06-30
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

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

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Oto-kodlayıcılar girdi katmanında ki değerleri çıkış katmanında da elde etmeye çalışan tam bağlı yapay sinir ağlarıdır.
📊
Temel Bulgular & Veri:Yapılan bu çalışmada, farklı modelleri MR görüntülerine uygulanacak şekilde düzenlenmiş ve uygulanmıştır.
💡
Sonuç & Katkı:Sonuçlar yapısal benzerlikleri ve görünümleri açısından karşılaştırmalı olarak detaylı bir şekilde verilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler: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.

🔖

Bu Makaleye Atıf Yap

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

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (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.