Show simple item record

dc.rights.licenseAtribución-NoComercial 4.0 Internacional
dc.contributorRomero Castro, Eduardo
dc.contributor.authorCelis Arámbula, Juan Salvador
dc.date.accessioned2020-03-30T06:17:36Z
dc.date.available2020-03-30T06:17:36Z
dc.date.issued2019
dc.identifier.urihttps://repositorio.unal.edu.co/handle/unal/76281
dc.description.abstractEn 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.
dc.description.abstractAbstract: In this thesis, a Bayesian super resolution (SR) method obtains high resolution (HR) brain Diffusion-Weighted Magnetic Resonance Imaging (DMRI) images from degraded low resolution (LR) images. Under a Bayesian formulation, the unknown HR image, the acquisition process and the unknown parameters are modeled as stochastic processes. The likelihood model is modeled using a Gaussian distribution to estimate the error between the representation and the observations. The prior is introduced as a Multivariate Gaussian Distribution, for which the inverse of the covariance matrix is approximated by Laplacian-like functions that model the local relationships, capturing thereby non-homogeneous relationships between neighbor intensities. Experimental results show the method outperforms the base line by 2.56 dB when using PSNR as a metric of quality in a set of 35 cases.
dc.format.mimetypeapplication/pdf
dc.language.isospa
dc.relation.ispartofUniversidad Nacional de Colombia Sede Bogotá Facultad de Medicina Departamento de Imágenes Diagnósticas
dc.relation.ispartofDepartamento de Imágenes Diagnósticas
dc.relation.haspart61 Ciencias médicas; Medicina / Medicine and health
dc.rightsDerechos reservados - Universidad Nacional de Colombia
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/
dc.titleSuper resolución (SR) en imágenes de resonancia magnética DWI de cerebro usando estimación bayesiana
dc.typeTrabajo de grado - Maestría
dc.type.driverinfo:eu-repo/semantics/masterThesis
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dc.identifier.eprintshttp://bdigital.unal.edu.co/72469/
dc.description.degreelevelMaestría
dc.relation.referencesCelis Arámbula, Juan Salvador (2019) Super resolución (SR) en imágenes de resonancia magnética DWI de cerebro usando estimación bayesiana. Maestría thesis, Universidad Nacional de Colombia - Sede Bogotá.
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.subject.proposalBayesiano
dc.subject.proposalSúper resolución
dc.subject.proposalDWI
dc.subject.proposalProcesamiento de imágenes
dc.subject.proposalBayesian
dc.subject.proposalSuper resolution
dc.subject.proposalDiffusion Weighted Magnetic Resonance Imaging
dc.subject.proposalImage processing
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
dc.type.redcolhttp://purl.org/redcol/resource_type/TM
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial 4.0 InternacionalThis work is licensed under a Creative Commons Reconocimiento-NoComercial 4.0.This document has been deposited by the author (s) under the following certificate of deposit