Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

A Wavelet Scattering Convolutional Network for Magnetic Resonance Spectroscopy Signal Quantitation

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F21%3APU140482" target="_blank" >RIV/00216305:26220/21:PU140482 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/68081731:_____/21:00544182

  • Výsledek na webu

    <a href="https://www.scitepress.org/PublicationsDetail.aspx?ID=gelMvIsqMOc=&t=1" target="_blank" >https://www.scitepress.org/PublicationsDetail.aspx?ID=gelMvIsqMOc=&t=1</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.5220/0010318502680275" target="_blank" >10.5220/0010318502680275</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    A Wavelet Scattering Convolutional Network for Magnetic Resonance Spectroscopy Signal Quantitation

  • Popis výsledku v původním jazyce

    Magnetic resonance spectroscopy (MRS) can provide quantitative information about local metabolite concentrations in living tissues, but in practice the quantification can be difficult. Recently deep learning (DL) has been used for quantification of MRS signals in the frequency domain, and DL combined with time-frequency analysis for artefact detection in MRS. The networks most widely used in previous studies were Convolutional Neural Networks (CNN). Nonetheless, the optimal architecture and hyper-parameters of the CNN for MRS are not well understood; CNN has no knowledge about the nature of the MRS signal and its training is computationally expensive. On the other hand, Wavelet Scattering Convolutional Network (WSCN) is well-understood and computationally cheap. In this study, we found that a wavelet scattering network could hopefully be also used for metabolite quantification.

  • Název v anglickém jazyce

    A Wavelet Scattering Convolutional Network for Magnetic Resonance Spectroscopy Signal Quantitation

  • Popis výsledku anglicky

    Magnetic resonance spectroscopy (MRS) can provide quantitative information about local metabolite concentrations in living tissues, but in practice the quantification can be difficult. Recently deep learning (DL) has been used for quantification of MRS signals in the frequency domain, and DL combined with time-frequency analysis for artefact detection in MRS. The networks most widely used in previous studies were Convolutional Neural Networks (CNN). Nonetheless, the optimal architecture and hyper-parameters of the CNN for MRS are not well understood; CNN has no knowledge about the nature of the MRS signal and its training is computationally expensive. On the other hand, Wavelet Scattering Convolutional Network (WSCN) is well-understood and computationally cheap. In this study, we found that a wavelet scattering network could hopefully be also used for metabolite quantification.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    20601 - Medical engineering

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/EF16_013%2F0001775" target="_blank" >EF16_013/0001775: Modernizace a podpora výzkumných aktivit národní infrastruktury pro biologické a medicínské zobrazování Czech-BioImaging</a><br>

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Proceedings of the 14th International Joint Conference on Biomedical Engineering Systems and Technologies - (Volume 4)

  • ISBN

    978-989-758-490-9

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    8

  • Strana od-do

    268-275

  • Název nakladatele

    Science and Technology Publications

  • Místo vydání

    Portugal

  • Místo konání akce

    Vienna

  • Datum konání akce

    11. 2. 2021

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

    000664110100031