{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3402934"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3402934","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Επίδραση αλγορίθμου ανακατασκευής εικόνας βαθιάς μάθησης στη δόση ακτινοβολίας και την ποιότητα εικόνας σε εξετάσεις Υπολογιστικής Τομογραφίας","abstract":"ΥΠΟΒΑΘΡΟ: H ανακατασκευή εικόνας με αλγορίθμους βαθιάς μάθησης εκμεταλλεύεται τις δυνατότητες της τεχνητής νοημοσύνης, με αποτέλεσμα τη βελτίωση της ποιότητας εικόνας και τη μείωση της δόσης ακτινοβολίας. Σκοπός της εργασίας αυτής ήταν η μελέτη της επίδρασης του αλγορίθμου ανακατασκευής εικόνας βαθιάς μάθησης, Advanced intelligent Clear-IQ Engine (AiCE), του αξονικού τομογράφου Aquilion ONE Prism (Canon Medical Systems), στη δόση ακτινοβολίας και στην ποιότητα εικόνας, σε εξετάσεις υπολογιστικής τομογραφίας. ΥΛΙΚΑ ΚΑΙ ΜΕΘΟΔΟΙ: Για τη λήψη των δεδομένων, ένα κυλινδρικό ομοίωμα TOS-SS ακτινοβολήθηκε στον αξονικό τομογράφο Aquilion ONE Prism σε 6 διαφορετικά επίπεδα δόσης, μεταβάλλοντας το ρεύμα της λυχνίας (100/200/300/400/500/600 mA). Οι εικόνες ανακατασκευάστηκαν με τους AiCE (Standard επίπεδο), FBP και AIDR-3D αλγορίθμους. Παράμετροι όπως, η ενεργός δόση (ED), ο θόρυβος (SD), ο λόγος του σήματος προς το θόρυβο (SNR) και ο λόγος της αντίθεσης προς το θόρυβο (CNR) υπολογίστηκαν για τον προσδιορισμό της δόσης της ακτινοβολίας και την αξιολόγηση της ποιότητας της εικόνας. ΑΠΟΤΕΛΕΣΜΑΤΑ: Η ενεργός δόση κυμαίνεται από 1.25 έως 7.80 mSv. Συγκριτικά με τον FBP αλγόριθμο, το ποσοστό μείωσης του θορύβου, ανάλογα το ρεύμα της λυχνίας, κυμαίνεται από 35.57% έως 39.72% με τη χρήση του AiCE αλγορίθμου ανακατασκευής εικόνας, ενώ από 32.50% έως 36.63% με τη χρήση του επαναληπτικού αλγορίθμου AIDR-3D. Οι λόγοι SNR και CNR ήταν παρόμοιοι στις AiCE και AIDR-3D εικόνες, ενώ παράλληλα ήταν υψηλότεροι από ότι στις FBP εικόνες. ΣΥΜΠΕΡΑΣΜΑΤΑ: Με τη χρήση αλγορίθμων ανακατασκευής εικόνων βαθιάς μάθησης, επιτυγχάνεται σημαντική μείωση του θορύβου, ειδικότερα στις χαμηλότερες δόσεις και αύξηση των παραμέτρων SNR και CNR, με αποτέλεσμα την βελτίωση της ποιότητας της εικόνας.","abstract_html":"ΥΠΟΒΑΘΡΟ: H ανακατασκευή εικόνας με αλγορίθμους βαθιάς μάθησης εκμεταλλεύεται τις δυνατότητες της τεχνητής νοημοσύνης, με αποτέλεσμα τη βελτίωση της ποιότητας εικόνας και τη μείωση της δόσης ακτινοβολίας. Σκοπός της εργασίας αυτής ήταν η μελέτη της επίδρασης του αλγορίθμου ανακατασκευής εικόνας βαθιάς μάθησης, Advanced intelligent Clear-IQ Engine (AiCE), του αξονικού τομογράφου Aquilion ONE Prism (Canon Medical Systems), στη δόση ακτινοβολίας και στην ποιότητα εικόνας, σε εξετάσεις υπολογιστικής τομογραφίας. ΥΛΙΚΑ ΚΑΙ ΜΕΘΟΔΟΙ: Για τη λήψη των δεδομένων, ένα κυλινδρικό ομοίωμα TOS-SS ακτινοβολήθηκε στον αξονικό τομογράφο Aquilion ONE Prism σε 6 διαφορετικά επίπεδα δόσης, μεταβάλλοντας το ρεύμα της λυχνίας (100/200/300/400/500/600 mA). Οι εικόνες ανακατασκευάστηκαν με τους AiCE (Standard επίπεδο), FBP και AIDR-3D αλγορίθμους. Παράμετροι όπως, η ενεργός δόση (ED), ο θόρυβος (SD), ο λόγος του σήματος προς το θόρυβο (SNR) και ο λόγος της αντίθεσης προς το θόρυβο (CNR) υπολογίστηκαν για τον προσδιορισμό της δόσης της ακτινοβολίας και την αξιολόγηση της ποιότητας της εικόνας. ΑΠΟΤΕΛΕΣΜΑΤΑ: Η ενεργός δόση κυμαίνεται από 1.25 έως 7.80 mSv. Συγκριτικά με τον FBP αλγόριθμο, το ποσοστό μείωσης του θορύβου, ανάλογα το ρεύμα της λυχνίας, κυμαίνεται από 35.57% έως 39.72% με τη χρήση του AiCE αλγορίθμου ανακατασκευής εικόνας, ενώ από 32.50% έως 36.63% με τη χρήση του επαναληπτικού αλγορίθμου AIDR-3D. Οι λόγοι SNR και CNR ήταν παρόμοιοι στις AiCE και AIDR-3D εικόνες, ενώ παράλληλα ήταν υψηλότεροι από ότι στις FBP εικόνες. ΣΥΜΠΕΡΑΣΜΑΤΑ: Με τη χρήση αλγορίθμων ανακατασκευής εικόνων βαθιάς μάθησης, επιτυγχάνεται σημαντική μείωση του θορύβου, ειδικότερα στις χαμηλότερες δόσεις και αύξηση των παραμέτρων SNR και CNR, με αποτέλεσμα την βελτίωση της ποιότητας της εικόνας.","abstract_has_math":false,"creators":["Πατσιώτη Ματίνα","Patsioti Matina"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:29:51Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3402934"],"render_values":[{"text":"uoadl:3402934","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3402934","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3402934","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3402934","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Πατσιώτη Ματίνα","Patsioti Matina"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Επιστήμες Υγείας","Health Sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3402934","https://pergamos.lib.uoa.gr/uoa/dl/object/3402934"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["ΥΠΟΒΑΘΡΟ: H ανακατασκευή εικόνας με αλγορίθμους βαθιάς μάθησης εκμεταλλεύεται τις δυνατότητες της τεχνητής νοημοσύνης, με αποτέλεσμα τη βελτίωση της ποιότητας εικόνας και τη μείωση της δόσης ακτινοβολίας. Σκοπός της εργασίας αυτής ήταν η μελέτη της επίδρασης του αλγορίθμου ανακατασκευής εικόνας βαθιάς μάθησης, Advanced intelligent Clear-IQ Engine (AiCE), του αξονικού τομογράφου Aquilion ONE Prism (Canon Medical Systems), στη δόση ακτινοβολίας και στην ποιότητα εικόνας, σε εξετάσεις υπολογιστικής τομογραφίας. ΥΛΙΚΑ ΚΑΙ ΜΕΘΟΔΟΙ: Για τη λήψη των δεδομένων, ένα κυλινδρικό ομοίωμα TOS-SS ακτινοβολήθηκε στον αξονικό τομογράφο Aquilion ONE Prism σε 6 διαφορετικά επίπεδα δόσης, μεταβάλλοντας το ρεύμα της λυχνίας (100/200/300/400/500/600 mA). Οι εικόνες ανακατασκευάστηκαν με τους AiCE (Standard επίπεδο), FBP και AIDR-3D αλγορίθμους. Παράμετροι όπως, η ενεργός δόση (ED), ο θόρυβος (SD), ο λόγος του σήματος προς το θόρυβο (SNR) και ο λόγος της αντίθεσης προς το θόρυβο (CNR) υπολογίστηκαν για τον προσδιορισμό της δόσης της ακτινοβολίας και την αξιολόγηση της ποιότητας της εικόνας. ΑΠΟΤΕΛΕΣΜΑΤΑ: Η ενεργός δόση κυμαίνεται από 1.25 έως 7.80 mSv. Συγκριτικά με τον FBP αλγόριθμο, το ποσοστό μείωσης του θορύβου, ανάλογα το ρεύμα της λυχνίας, κυμαίνεται από 35.57% έως 39.72% με τη χρήση του AiCE αλγορίθμου ανακατασκευής εικόνας, ενώ από 32.50% έως 36.63% με τη χρήση του επαναληπτικού αλγορίθμου AIDR-3D. Οι λόγοι SNR και CNR ήταν παρόμοιοι στις AiCE και AIDR-3D εικόνες, ενώ παράλληλα ήταν υψηλότεροι από ότι στις FBP εικόνες. ΣΥΜΠΕΡΑΣΜΑΤΑ: Με τη χρήση αλγορίθμων ανακατασκευής εικόνων βαθιάς μάθησης, επιτυγχάνεται σημαντική μείωση του θορύβου, ειδικότερα στις χαμηλότερες δόσεις και αύξηση των παραμέτρων SNR και CNR, με αποτέλεσμα την βελτίωση της ποιότητας της εικόνας.","BACKGROUND: Image reconstruction with deep learning algorithms exploits the capabilities of artificial intelligence, resulting in improved image quality and reduced radiation dose. The aim of this study was to evaluate the impact of the deep learning image reconstruction algorithm, Advanced intelligent Clear-IQ Engine (AiCE), used in the Aquilion ONE Prism CT scanner (Canon Medical Systems), on radiation dose and image quality in CT examinations. MATERIALS AND METHODS: For data acquisition, a cylindrical TOS-SS phantom was scanned using the Aquilion ONE Prism CT scanner at 6 different dose levels, by varying the tube current (100/200/300/400/500/600 mA). Images were reconstructed using AiCE (Standard level), FBP, and AIDR-3D algorithms. Parameters such as effective dose (ED), noise (SD), signal-to-noise ratio (SNR), and contrast-to-noise ratio (CNR) were calculated to determine the radiation dose and evaluate image quality. RESULTS: Εffective dose ranges from 1.25 to 7.80 mSv. Compared to the FBP algorithm, the noise reduction ranges, according to x-ray tube current, from 35.57% to 39.72% in AiCE images and from 32.50% to 36.63% with the use of the iterative reconstruction algorithm AIDR-3D. The SNR and CNR ratios were similar in the AiCE and AIDR-3D images, while they were higher compared to the FBP images. CONCLUSION: Deep learning image reconstruction algorithms can significantly reduce image noise, especially at lower doses and increase the SNR and CNR parameters, resulting in improving image quality."]},{"key":"dc:title","label":"Title","values":["Επίδραση αλγορίθμου ανακατασκευής εικόνας βαθιάς μάθησης στη δόση ακτινοβολίας και την ποιότητα εικόνας σε εξετάσεις Υπολογιστικής Τομογραφίας"]}]}],"canonical_facts":{"dc:creator":["Πατσιώτη Ματίνα","Patsioti Matina"],"dc:date":["2024"],"dc:description":["ΥΠΟΒΑΘΡΟ: H ανακατασκευή εικόνας με αλγορίθμους βαθιάς μάθησης εκμεταλλεύεται τις δυνατότητες της τεχνητής νοημοσύνης, με αποτέλεσμα τη βελτίωση της ποιότητας εικόνας και τη μείωση της δόσης ακτινοβολίας. Σκοπός της εργασίας αυτής ήταν η μελέτη της επίδρασης του αλγορίθμου ανακατασκευής εικόνας βαθιάς μάθησης, Advanced intelligent Clear-IQ Engine (AiCE), του αξονικού τομογράφου Aquilion ONE Prism (Canon Medical Systems), στη δόση ακτινοβολίας και στην ποιότητα εικόνας, σε εξετάσεις υπολογιστικής τομογραφίας. ΥΛΙΚΑ ΚΑΙ ΜΕΘΟΔΟΙ: Για τη λήψη των δεδομένων, ένα κυλινδρικό ομοίωμα TOS-SS ακτινοβολήθηκε στον αξονικό τομογράφο Aquilion ONE Prism σε 6 διαφορετικά επίπεδα δόσης, μεταβάλλοντας το ρεύμα της λυχνίας (100/200/300/400/500/600 mA). Οι εικόνες ανακατασκευάστηκαν με τους AiCE (Standard επίπεδο), FBP και AIDR-3D αλγορίθμους. Παράμετροι όπως, η ενεργός δόση (ED), ο θόρυβος (SD), ο λόγος του σήματος προς το θόρυβο (SNR) και ο λόγος της αντίθεσης προς το θόρυβο (CNR) υπολογίστηκαν για τον προσδιορισμό της δόσης της ακτινοβολίας και την αξιολόγηση της ποιότητας της εικόνας. ΑΠΟΤΕΛΕΣΜΑΤΑ: Η ενεργός δόση κυμαίνεται από 1.25 έως 7.80 mSv. Συγκριτικά με τον FBP αλγόριθμο, το ποσοστό μείωσης του θορύβου, ανάλογα το ρεύμα της λυχνίας, κυμαίνεται από 35.57% έως 39.72% με τη χρήση του AiCE αλγορίθμου ανακατασκευής εικόνας, ενώ από 32.50% έως 36.63% με τη χρήση του επαναληπτικού αλγορίθμου AIDR-3D. Οι λόγοι SNR και CNR ήταν παρόμοιοι στις AiCE και AIDR-3D εικόνες, ενώ παράλληλα ήταν υψηλότεροι από ότι στις FBP εικόνες. ΣΥΜΠΕΡΑΣΜΑΤΑ: Με τη χρήση αλγορίθμων ανακατασκευής εικόνων βαθιάς μάθησης, επιτυγχάνεται σημαντική μείωση του θορύβου, ειδικότερα στις χαμηλότερες δόσεις και αύξηση των παραμέτρων SNR και CNR, με αποτέλεσμα την βελτίωση της ποιότητας της εικόνας.","BACKGROUND: Image reconstruction with deep learning algorithms exploits the capabilities of artificial intelligence, resulting in improved image quality and reduced radiation dose. The aim of this study was to evaluate the impact of the deep learning image reconstruction algorithm, Advanced intelligent Clear-IQ Engine (AiCE), used in the Aquilion ONE Prism CT scanner (Canon Medical Systems), on radiation dose and image quality in CT examinations. MATERIALS AND METHODS: For data acquisition, a cylindrical TOS-SS phantom was scanned using the Aquilion ONE Prism CT scanner at 6 different dose levels, by varying the tube current (100/200/300/400/500/600 mA). Images were reconstructed using AiCE (Standard level), FBP, and AIDR-3D algorithms. Parameters such as effective dose (ED), noise (SD), signal-to-noise ratio (SNR), and contrast-to-noise ratio (CNR) were calculated to determine the radiation dose and evaluate image quality. RESULTS: Εffective dose ranges from 1.25 to 7.80 mSv. Compared to the FBP algorithm, the noise reduction ranges, according to x-ray tube current, from 35.57% to 39.72% in AiCE images and from 32.50% to 36.63% with the use of the iterative reconstruction algorithm AIDR-3D. The SNR and CNR ratios were similar in the AiCE and AIDR-3D images, while they were higher compared to the FBP images. CONCLUSION: Deep learning image reconstruction algorithms can significantly reduce image noise, especially at lower doses and increase the SNR and CNR parameters, resulting in improving image quality."],"dc:identifier":["uoadl:3402934","https://pergamos.lib.uoa.gr/uoa/dl/object/3402934"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Επίδραση αλγορίθμου ανακατασκευής εικόνας βαθιάς μάθησης στη δόση ακτινοβολίας και την ποιότητα εικόνας σε εξετάσεις Υπολογιστικής Τομογραφίας"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:29:51Z"}