Simulation of THz-TDS echo filtering algorithm based on deep learning

2020 ◽  
Author(s):  
Hongfei Zhang ◽  
Yuan-Meng Zhao ◽  
Cunlin Zhang
Keyword(s):  
Deep Learning ◽  
Filtering Algorithm

scholarly journals Non-local mean filtering algorithm based on deep learning

2018 ◽  
Vol 232 ◽  
pp. 03025
Author(s):  
Baozhong Liu ◽  
Jianbin Liu
Keyword(s):  
Deep Learning ◽  
Noise Reduction ◽  
Image Denoising ◽  
Signal To Noise Ratio ◽  
Denoising Method ◽  
Filtering Algorithm ◽  
Local Mean ◽  
Non Local ◽  
Reduction Effect ◽  
Mean Filtering

Aimed at the problem that the traditional image denoising algorithm is not effective in noise reduction, a new image denoising method is proposed. The method combines deep learning and non-local mean filtering algorithms to denoise the noisy image to obtain better noise reduction effect. By comparing with Gaussian filtering algorithm, median filtering algorithm, bilateral filtering algorithm and early non-local mean filtering algorithm, the noise reduction effect of the new algorithm is better than the traditional method and the peak signal to noise ratio is compared with the early non-local mean algorithm. The performance is better.

Deep Learning

2009 ◽  
Author(s):  
Stellan Ohlsson
Keyword(s):  
Deep Learning

Intelligence artificielle : le futur de l’Orthodontie ?

2019 ◽  
Vol 53 (3) ◽  
pp. 281-294
Author(s):  
Jean-Michel Foucart ◽  
Augustin Chavanne ◽  
Jérôme Bourriau
Keyword(s):  
Big Data ◽  
Deep Learning ◽  
Intelligence Artificielle ◽  
Set Up

Nombreux sont les apports envisagés de l’Intelligence Artificielle (IA) en médecine. En orthodontie, plusieurs solutions automatisées sont disponibles depuis quelques années en imagerie par rayons X (analyse céphalométrique automatisée, analyse automatisée des voies aériennes) ou depuis quelques mois (analyse automatique des modèles numériques, set-up automatisé; CS Model +, Carestream Dental™). L’objectif de cette étude, en deux parties, est d’évaluer la fiabilité de l’analyse automatisée des modèles tant au niveau de leur numérisation que de leur segmentation. La comparaison des résultats d’analyse des modèles obtenus automatiquement et par l’intermédiaire de plusieurs orthodontistes démontre la fiabilité de l’analyse automatique; l’erreur de mesure oscillant, in fine, entre 0,08 et 1,04 mm, ce qui est non significatif et comparable avec les erreurs de mesures inter-observateurs rapportées dans la littérature. Ces résultats ouvrent ainsi de nouvelles perspectives quand à l’apport de l’IA en Orthodontie qui, basée sur le deep learning et le big data, devrait permettre, à moyen terme, d’évoluer vers une orthodontie plus préventive et plus prédictive.

Primäre ZNS-Lymphome: Vollautomatisierte Detektion und Segmentierung auf multiparametrischen MRT-Datensätzen mittels Deep-Learning

2020 ◽  
Author(s):  
L Pennig ◽  
L Lourenco Caldeira ◽  
C Hoyer ◽  
L Görtz ◽  
R Shahzad ◽  
...  
Keyword(s):  
Deep Learning

Computertomografie: Bildrekonstruktion mit Deep Learning in der klinischen Routine

2020 ◽  
Author(s):  
A Heinrich ◽  
M Engler ◽  
D Dachoua ◽  
U Teichgräber ◽  
F Güttler
Keyword(s):  
Deep Learning
Sign in / Sign up

Export Citation Format

Share Document