Zobrazeno 1 - 10
of 25
pro vyhledávání: '"Pinetz, Thomas"'
Autor:
Haas, Manuel, Grandits, Thomas, Pinetz, Thomas, Beiert, Thomas, Pezzuto, Simone, Effland, Alexander
Reconstructing cardiac electrical activity from body surface electric potential measurements results in the severely ill-posed inverse problem in electrocardiography. Many different regularization approaches have been proposed to improve numerical re
Externí odkaz:
http://arxiv.org/abs/2408.11573
Autor:
Pinetz, Thomas, Kobler, Erich, Haase, Robert, Luetkens, Julian A., Meetschen, Mathias, Haubold, Johannes, Deuschl, Cornelius, Radbruch, Alexander, Deike, Katerina, Effland, Alexander
Recently, deep learning (DL)-based methods have been proposed for the computational reduction of gadolinium-based contrast agents (GBCAs) to mitigate adverse side effects while preserving diagnostic value. Currently, the two main challenges for these
Externí odkaz:
http://arxiv.org/abs/2403.03539
Autor:
Verhülsdonk, Jan, Grandits, Thomas, Costabal, Francisco Sahli, Pinetz, Thomas, Krause, Rolf, Auricchio, Angelo, Haase, Gundolf, Pezzuto, Simone, Effland, Alexander
The efficient construction of anatomical models is one of the major challenges of patient-specific in-silico models of the human heart. Current methods frequently rely on linear statistical models, allowing no advanced topological changes, or requiri
Externí odkaz:
http://arxiv.org/abs/2308.16568
Autor:
Pinetz, Thomas, Kobler, Erich, Haase, Robert, Deike-Hofmann, Katerina, Radbruch, Alexander, Effland, Alexander
Today Gadolinium-based contrast agents (GBCA) are indispensable in Magnetic Resonance Imaging (MRI) for diagnosing various diseases. However, GBCAs are expensive and may accumulate in patients with potential side effects, thus dose-reduction is recom
Externí odkaz:
http://arxiv.org/abs/2306.14678
We propose a novel learning-based framework for image reconstruction particularly designed for training without ground truth data, which has three major building blocks: energy-based learning, a patch-based Wasserstein loss functional, and shared pri
Externí odkaz:
http://arxiv.org/abs/2011.06539
Generative Adversarial Networks (GANs) have been used to model the underlying probability distribution of sample based datasets. GANs are notoriuos for training difficulties and their dependence on arbitrary hyperparameters. One recent improvement in
Externí odkaz:
http://arxiv.org/abs/1910.00888
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Haase, Robert, Pinetz, Thomas, Kobler, Erich, Paech, Daniel, Effland, Alexander, Radbruch, Alexander, Deike-Hofmann, Katerina
Publikováno v:
Investigative Radiology; Aug2023, Vol. 58 Issue 8, p539-547, 9p