Image Compression of Brain MRI images using an Autoencoder and Restricted Boltzmann Machine - 25/05/22

Doi : 10.1016/j.neuri.2022.100084 
Ramdas Vankdothu, Mohd Abdul Hameed
 Department of Computer Science & Engineering, Osmania University Hyderabad, India 

Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.

Connectez-vous pour en bénéficier!

Sous presse. Manuscrit accepté. Disponible en ligne depuis le Wednesday 25 May 2022
Cet article a été publié dans un numéro de la revue, cliquez ici pour y accéder

Abstract

The purpose is to enhance clinical diagnosis by collecting data in an efficient and reliable manner. Medical image analysis has become one of the top research and development targets as a consequence of recent discoveries in biomedical engineering. As the number of data volumes created by various medical imaging modalities develops in lockstep with the usage of medical imaging in clinical practise, data compression is necessary for transmission, storage, and administration of digital medical image data sets. One of the reasons for this advancement is the use of machine learning algorithms for medical image processing. Deep learning techniques, in which a neural network learns characteristics automatically, have proven to be incredibly effective as a machine learning tool. In contrast, techniques that depend on traditional handmade parts are less effective. A wireless sensor network may be used to build a rudimentary healthcare system that collects patient data and improves medical convenience in an emergency. The WSN architecture had to integrate sensor nodes that used less power and resources at a low cost, which led to Raspberry Pi-based WSN nodes. Medical image compression methods created utilising deep learning techniques such as autoencoders and restricted Boltzmann machines (RBM), as well as the installation of WSN sensors nodes using Raspberry Pi and the MQTT IoT protocol for secure picture transfer, fall into two areas. The results are evaluated using industry-standard performance parameters like as PSNR, and an RTL implementation of the idea is also shown.

Le texte complet de cet article est disponible en PDF.

Keywords : A Brain Image, Autoencoder, Neural Network, Restricted Boltzmann Machine, WSN


Plan


© 2022  The Author(s). Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Bienvenue sur EM-consulte, la référence des professionnels de santé.

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2025 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.