LUNGE THORAX – Deep-Learning-Rekonstruktion von Niedrigdosis-CT-Aufnahmen
RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren · 01.08.2024 · 196 (08) · 783-784
DOI: 10.1055/a-2295-1104 ↗Kurz gefasst
Fachartikel in der Zeitschrift RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren, erschienen am 01.08.2024. Verfasst von Stephanie Gräwert. Die Arbeit nennt 1 Literaturangaben.
Abstract (Originalsprache)
Wird bei einer CT-Untersuchung die Strahlendosis reduziert, wirkt sich dies in der Regel negativ auf die Bildqualität aus, da sich das Bildrauschen erhöht und mehr Artefakte auftreten. Mit Hilfe verschiedener Rekonstruktionsverfahren kann allerdings das starke Bildrauschen solcher Niedrig-Dosis-CT-Aufnahmen wieder reduziert und so die Bildqualität verbessert werden. Dabei sind Deep-Learning-Algorithmen besser als iterative Rekonstruktionsmethoden.
Zitieren
APA
Gräwert, S. (2024). LUNGE THORAX – Deep-Learning-Rekonstruktion von Niedrigdosis-CT-Aufnahmen. RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren, 196(08), 783-784. https://doi.org/10.1055/a-2295-1104
Vancouver
Gräwert S. LUNGE THORAX – Deep-Learning-Rekonstruktion von Niedrigdosis-CT-Aufnahmen. RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren. 2024;196(08):783-784. doi:10.1055/a-2295-1104
BibTeX
@article{Grwert2024,
author = {Gräwert, Stephanie},
title = {LUNGE THORAX – Deep-Learning-Rekonstruktion von Niedrigdosis-CT-Aufnahmen},
journal = {RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren},
year = {2024},
volume = {196},
number = {08},
pages = {783--784},
doi = {10.1055/a-2295-1104}
}
EUVIMED