Super resolución (SR) en imágenes de resonancia magnética DWI de cerebro usando estimación bayesiana
En la presente tesis, se propone un método bayesiano de Súper resolución (SR) que obtiene imágenes de alta resolución (HR) DWI a partir de imágenes degradadas de baja resolución (LR), tratando de recuperar un máximo de la información en alta frecuencia. Bajo la formuación bayesiana, la imagen descon...
| Autor: | |
|---|---|
| Tipo de documento: | dissertação |
| Estado: | Versión aceptada para publicación |
| Data de publicação: | 2019 |
| País: | Colombia |
| Recursos: | Universidad Nacional de Colombia |
| Repositório: | Repositorio UN |
| Idioma: | espanhol |
| OAI Identifier: | oai:repositorio.unal.edu.co:unal/76281 |
| Acesso em linha: | https://repositorio.unal.edu.co/handle/unal/76281 http://bdigital.unal.edu.co/72469/ |
| Access Level: | Acceso aberto |
| Palavra-chave: | Bayesiano Súper resolución DWI Procesamiento de imágenes Bayesian Super resolution Diffusion Weighted Magnetic Resonance Imaging Image processing |
| Resumo: | En la presente tesis, se propone un método bayesiano de Súper resolución (SR) que obtiene imágenes de alta resolución (HR) DWI a partir de imágenes degradadas de baja resolución (LR), tratando de recuperar un máximo de la información en alta frecuencia. Bajo la formuación bayesiana, la imagen desconocida de alta resolución (HR), el proceso de adquisición y los parámetros del modelo son modelados como procesos estocásticos. El término de verosimilitud es modelado usando una distribución gausiana para estimar el error entre la representación y las observaciones. El término a priori se modela como una distribución gausiana multivariada en el que los pesos del vecindario corresponden a variables intermedias que se introducen con dos propósitos: modelar las relaciones locales con una distribución Laplaciana y utilizar la información más relevante de su vecindario. En consecuencia, la matriz de covarianza de los pesos de este prior se aproxima por variables latentes que se calculan de las relaciones locales modeladas con una Laplaciana. Los resultados experimentales muestran que el método supera la línea base por 2.56 dB usando como métrica el PSNR para una colección de 35 casos. |
|---|