Semantic denoising autoencoders for retinal optical coherence tomography

Downloadstatistik des Dokuments (Auswertung nach COUNTER):

Laves, M.-H.; Ihler, S.; Kahrs, L.A.; Ortmaier, T.: Semantic denoising autoencoders for retinal optical coherence tomography. In: Proceedings of SPIE 11078 (2019), 1107818. DOI: https://doi.org/10.1117/12.2526936

Version im Repositorium

Zum Zitieren der Version im Repositorium verwenden Sie bitte diesen DOI: https://doi.org/10.15488/10274

Zeitraum, für den die Download-Zahlen angezeigt werden:

Jahr: 
Monat: 

Summe der Downloads: 36




Kleine Vorschau
Zusammenfassung: 
Noise in speckle-prone optical coherence tomography tends to obfuscate important details necessary for medical diagnosis. In this paper, a denoising approach that preserves disease characteristics on retinal optical coherence tomography images in ophthalmology is presented. We propose semantic denoising autoencoders, which combine a convolutional denoising autoencoder with a priorly trained ResNet image classifier as regularizer during training. This promotes the perceptibility of delicate details in the denoised images that are important for diagnosis and filters out only informationless background noise. With our approach, higher peak signal-to-noise ratios with PSNR = 31.0 dB and higher classification performance of F1 = 0.92 can be achieved for denoised images compared to state-of-the-art denoising. It is shown that semantically regularized autoencoders are capable of denoising retinal OCT images without blurring details of diseases.
Lizenzbestimmungen: Es gilt deutsches Urheberrecht. Das Dokument darf zum eigenen Gebrauch kostenfrei genutzt, aber nicht im Internet bereitgestellt oder an Außenstehende weitergegeben werden. Dieser Beitrag ist aufgrund einer (DFG-geförderten) Allianz- bzw. Nationallizenz frei zugänglich.
Publikationstyp: conferenceObject
Publikationsstatus: publishedVersion
Erstveröffentlichung: 2019
Die Publikation erscheint in Sammlung(en):Fakultät für Maschinenbau

Verteilung der Downloads über den gewählten Zeitraum:

Herkunft der Downloads nach Ländern:

Pos. Land Downloads
Anzahl Proz.
1 image of flag of Germany Germany 19 52,78%
2 image of flag of United States United States 5 13,89%
3 image of flag of United Kingdom United Kingdom 5 13,89%
4 image of flag of China China 4 11,11%
5 image of flag of India India 1 2,78%
6 image of flag of Ireland Ireland 1 2,78%
7 image of flag of Canada Canada 1 2,78%

Weitere Download-Zahlen und Ranglisten:


Hinweis

Zur Erhebung der Downloadstatistiken kommen entsprechend dem „COUNTER Code of Practice for e-Resources“ international anerkannte Regeln und Normen zur Anwendung. COUNTER ist eine internationale Non-Profit-Organisation, in der Bibliotheksverbände, Datenbankanbieter und Verlage gemeinsam an Standards zur Erhebung, Speicherung und Verarbeitung von Nutzungsdaten elektronischer Ressourcen arbeiten, welche so Objektivität und Vergleichbarkeit gewährleisten sollen. Es werden hierbei ausschließlich Zugriffe auf die entsprechenden Volltexte ausgewertet, keine Aufrufe der Website an sich.