國立虎尾科技大學 |

登入

回首頁

應用自動編碼器特徵提取和條件生成對抗網路以消除光學同調斷層掃描影像之偽影...

陳泰維

應用自動編碼器特徵提取和條件生成對抗網路以消除光學同調斷層掃描影像之偽影 = = Applying Autoencoder Feature Extraction and Conditional Generative Adversarial Network for Artifact Elimination in Optical Coherence Tomography Images /

紀錄類型:	書目-語言資料,印刷品 : Monograph/item
正題名/作者:	應用自動編碼器特徵提取和條件生成對抗網路以消除光學同調斷層掃描影像之偽影 =/ 陳泰維.
其他題名:	Applying Autoencoder Feature Extraction and Conditional Generative Adversarial Network for Artifact Elimination in Optical Coherence Tomography Images /
其他題名:	Applying Autoencoder Feature Extraction and Conditional Generative Adversarial Network for Artifact Elimination in Optical Coherence Tomography Images.
作者:	陳泰維
出版者:	雲林縣 :國立虎尾科技大學 , : 民113.07.,
面頁冊數:	[8], 48面 :圖, 表 ; : 30公分.;
附註:	指導教授: 黃俊銘.
標題:	頻域光學同調斷層掃描. -
電子資源:	電子資源

應用自動編碼器特徵提取和條件生成對抗網路以消除光學同調斷層掃描影像之偽影 = = Applying Autoencoder Feature Extraction and Conditional Generative Adversarial Network for Artifact Elimination in Optical Coherence Tomography Images /
陳泰維

應用自動編碼器特徵提取和條件生成對抗網路以消除光學同調斷層掃描影像之偽影 =Applying Autoencoder Feature Extraction and Conditional Generative Adversarial Network for Artifact Elimination in Optical Coherence Tomography Images /Applying Autoencoder Feature Extraction and Conditional Generative Adversarial Network for Artifact Elimination in Optical Coherence Tomography Images.陳泰維. - 初版. - 雲林縣 :國立虎尾科技大學 ,民113.07. - [8], 48面 :圖, 表 ;30公分.

指導教授: 黃俊銘.

碩士論文--國立虎尾科技大學電子工程系碩士班.

含參考書目.

頻域光學同調斷層掃描(Fourier Domain Optical Coherence Tomography, FD-OCT)是一種高解析度的成像技術，但常面臨共軛偽影、DC偽影和自相關偽影等問題導致成像失真。近年來，深度學習技術展現出優異的影像處理能力，其中生成對抗網路(Generative Adversarial Network, GAN)被廣泛應用於影像生成與轉換任務，但傳統GAN在處理複雜多層樣品FD-OCT影像時，效能仍有改善空間。本文提出一種結合自動編碼器和條件生成對抗網路的新架構，並運用至多層全域式FD-OCT系統以消除偽影。首先藉由自動編碼器將原始FD-OCT數據進行潛在特徵擷取，再利用這些潛在特徵來訓練專為多層樣本設計的條件生成對抗網路，以獲得無偽影之潛在特徵。最後，再透過自動編碼器將無偽影之潛在特徵進行解碼，以重建高品質的FD-OCT影像。實驗結果顯示，本論文提出的網路架構相較於僅使用生成對抗網路，在複雜多層樣本的偽影消除和影像重建方面有顯著的改善。.

(平裝)Subjects--Topical Terms:

1086341
頻域光學同調斷層掃描.

應用自動編碼器特徵提取和條件生成對抗網路以消除光學同調斷層掃描影像之偽影 = = Applying Autoencoder Feature Extraction and Conditional Generative Adversarial Network for Artifact Elimination in Optical Coherence Tomography Images /
LDR:03574cam a2200241 i 4500 001 1129842
008 241015s2024 ch ak erm 000 0 chi d
035 $a (THES)112NYPI0428004
040 $a NFU $b chi $c NFU $e CCR
041 0 # $a chi $b chi $b eng
084 $a 008.160M $b 7552 113 $2 ncsclt
100 1 $a 陳泰維 $3 1448889
245 1 0 $a 應用自動編碼器特徵提取和條件生成對抗網路以消除光學同調斷層掃描影像之偽影 = $b Applying Autoencoder Feature Extraction and Conditional Generative Adversarial Network for Artifact Elimination in Optical Coherence Tomography Images / $c 陳泰維.
246 1 1 $a Applying Autoencoder Feature Extraction and Conditional Generative Adversarial Network for Artifact Elimination in Optical Coherence Tomography Images.
250 $a 初版.
260 # $a 雲林縣 : $b 國立虎尾科技大學 , $c 民113.07.
300 $a [8], 48面 : $b 圖, 表 ; $c 30公分.
500 $a 指導教授: 黃俊銘.
500 $a 學年度: 112.
502 $a 碩士論文--國立虎尾科技大學電子工程系碩士班.
504 $a 含參考書目.
520 3 $a 頻域光學同調斷層掃描(Fourier Domain Optical Coherence Tomography, FD-OCT)是一種高解析度的成像技術，但常面臨共軛偽影、DC偽影和自相關偽影等問題導致成像失真。近年來，深度學習技術展現出優異的影像處理能力，其中生成對抗網路(Generative Adversarial Network, GAN)被廣泛應用於影像生成與轉換任務，但傳統GAN在處理複雜多層樣品FD-OCT影像時，效能仍有改善空間。本文提出一種結合自動編碼器和條件生成對抗網路的新架構，並運用至多層全域式FD-OCT系統以消除偽影。首先藉由自動編碼器將原始FD-OCT數據進行潛在特徵擷取，再利用這些潛在特徵來訓練專為多層樣本設計的條件生成對抗網路，以獲得無偽影之潛在特徵。最後，再透過自動編碼器將無偽影之潛在特徵進行解碼，以重建高品質的FD-OCT影像。實驗結果顯示，本論文提出的網路架構相較於僅使用生成對抗網路，在複雜多層樣本的偽影消除和影像重建方面有顯著的改善。.
520 3 $a Fourier Domain Optical Coherence Tomography (FD-OCT) is a high-resolution imaging technique, but often faces issues such as conjugate artifacts, DC artifacts, and autocorrelation artifacts, leading to distorted imaging. In recent years, deep learning techniques have demonstrated outstanding image processing capabilities, among which Generative Adversarial Networks (GANs) have been widely applied to image generation and transformation tasks. However, the performance of traditional GANs still has room for improvement when handling complex multi-layer sample FD-OCT images. This proposal proposes a new architecture that combines an autoencoder and a conditional generative adversarial network to eliminate the artifacts in a multilayer full-range FD-OCT system. First, the raw FD-OCT data is processed by an autoencoder for latent feature extraction, and these latent features are then used to train a conditional generative adversarial network explicitly designed for multi-layer samples to obtain artifact-free latent features. Finally, the autoencoder decodes the artifact-free latent features to reconstruct high-quality FD-OCT images. Experimental results show that compared to using only a generative adversarial network, the proposed network architecture significantly improves artifact removal and image reconstruction for complex multi-layer samples..
563 $a (平裝)
650 # 4 $a 頻域光學同調斷層掃描. $3 1086341
650 # 4 $a 自動編碼器. $3 1328840
650 # 4 $a 生成對抗網路. $3 1175994
650 # 4 $a Fourier Domain Optical Coherence Tomography. $3 1451684
650 # 4 $a Autoencoder. $3 1328844
650 # 4 $a Generative Adversarial Network. $3 1451685
856 7 # $u https://handle.ncl.edu.tw/11296/s95jdd $z 電子資源 $2 http