In this study, we address a fundamental and still relatively less explored aspect in the field of neural networks for image dehazing: the unsupervised dehazing of an image. By conceiving a hazy image as the superposition of several “simpler“ layers, such as a haze-free image layer, a transmission map layer, and an atmospheric light layer, inspired by the atmospheric scattering model, we propose an approach based on the concept of layer disentangling. Our method, called XYZ, represents a substantial improvement in image quality metrics, such as SSIM and PSNR as well as BRISQUE, PIQE and NIQE. This advancement is achieved through the strategic combination of the XHOT, YOLY and ZID methods, capitalizing on the individual strengths of each. A distinctive and valuable aspect of the XYZ approach is its unsupervised nature, which implies that it does not rely on data sets containing pairs o...

El diagnóstico temprano y la segmentación precisa de los tumores cerebrales son imprescindibles para un tratamiento exitoso. Desafortunadamente, la segmentación manual es lenta, costosa y, a pesar de la amplia experiencia humana, a menudo es inexacta. En este documento, presentamos una arquitectura para la segmentación de tumores basado en imágenes MRI utilizando una red neuronal convolucional 3D regularizada con autoencoder. Entrenamos el modelo con imágenes Magnetic Resonance Imaging (MRI) segmentadas manualmente: T1, T1ce, T2 y Flair de 285 pacientes con tumores de gravedad, tamaño y ubicación variables. Luego probamos el modelo utilizando datos independientes de 66 pacientes y segmentamos con éxito los tumores cerebrales en tres subregiones: el núcleo del tumor (TC), el tumor potenciador (ET) y el tumor completo (WT). También se exploran pasos de preprocesamiento para mejo...

El diagnóstico temprano y la segmentación precisa de los tumores cerebrales son imprescindibles para un tratamiento exitoso. Desafortunadamente, la segmentación manual es lenta, costosa y, a pesar de la amplia experiencia humana, a menudo es inexacta. En este documento, presentamos una arquitectura para la segmentación de tumores basado en imágenes MRI utilizando una red neuronal convolucional 3D regularizada con autoencoder. Entrenamos el modelo con imágenes Magnetic Resonance Imaging (MRI) segmentadas manualmente: T1, T1ce, T2 y Flair de 285 pacientes con tumores de gravedad, tamaño y ubicación variables. Luego probamos el modelo utilizando datos independientes de 66 pacientes y segmentamos con éxito los tumores cerebrales en tres subregiones: el núcleo del tumor (TC), el tumor potenciador (ET) y el tumor completo (WT). También se explora pasos de preprocesamiento para mejor...