Geri Dön

A motion-consistent deep learning model for distortion correction in echo planar imaging

Eko planar görüntülemede bozulma düzeltme için hareketle tutarlı derin öğrenme modeli

  1. Tez No: 1025755
  2. Yazar: MUHAMMED HASAN KAYAPINAR
  3. Danışmanlar: DOÇ. DR. EMİNE ÜLKÜ SARITAŞ ÇUKUR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Elektrik ve Elektronik Mühendisliği, Science and Technology, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Manyetik rezonans görüntüleme, Magnetic resonance imaging
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İhsan Doğramacı Bilkent Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Eko planar görüntüleme (EPG), difüzyon ağırlıklı görüntüleme ve fonksiyonel MRG'de yaygın olarak kullanılan bir manyetik rezonans görüntüleme (MRG) sekansıdır ve tek bir RF eksitasyon ardından k-uzayının hızla elde edilmesine olanak tanır. Ancak EPG, manyetik alan homojensizliklerinden kaynaklanan ve faz-kodlama (PE) yönü boyunca geometrik bozulmalar ile sinyal yığılması/kaybı artefaktları biçiminde ortaya çıkan duyarlılık kaynaklı artefaktlardan etkilenmektedir. Bu bozulmalar, elde edilen görüntülerin klinik ve niceliksel değerini sınırladığından, ardıl analizlerden önce bu bozulmaların düzeltmesi büyük önem taşımaktadır. Bozulma düzeltmesi için yaygın olarak benimsenen bir yaklaşım, ters yönlerde bozulmalar içeren ters-PE EPG görüntü çiftinin elde edilmesine dayanır. Bu görüntülerden altta yatan doğru görüntü ve yer değiştirme alanı hesaplanabilmektedir. Klasik methodlardan biri olan TOPUP, fiziksel açıdan sağlam temellere dayanmakla birlikte, hesaplama bakımından maliyetli yinelemeli bir optimizasyona dayandığından klinik kullanım için elverişsizdir. Son dönemdeki derin öğrenme yaklaşımları bu hesaplama maliyetini azaltmayı amaçlamaktadır. Bu tezde, EPG'de hızlı ve harekete duyarlı bozulma düzeltmesi için hareket-tutarlı ileri-bozulma ağı (mcFD-Net) önerilmektedir. Önerilen mcFD-Net, elde edilen ters-PE görüntülerinden düzeltilmiş bir görüntü, yer değiştirme alanı ve hizalanmış/hizalanmamış görüntü çifti tahmin etmek üzere fizik tabanlı ve denetimsiz bir biçimde eğitilmektedir. Mimariye entegre edilmiş ve önceden eğitilmiş bir konumlandırma birimi kullanılarak hizalanmış/hizalanmamış görüntü çiftinden düzlem-içi katı dönüşüm parametreleri tahmin edilmektedir. Ardından, veri tutarlılığını ve hareket tutarlılığını eşzamanlı olarak dayatmak için düzeltilmiş görüntü tahmin edilen yer değiştirme alanı ile ileri-bozulmaya uğratılmakta, tahmin edilen dönüşüm parametreleri ise ikinci PE yönündeki ileri-bozulma sürecinden önce uygulanmaktadır. Bu tezde öncelikle hareket düzeltmesinin önemini ortaya koymak amacıyla, ters-PE görüntüleri arasındaki hareketin şiddeti tamamlayıcı özellikteki iki veri kümesi üzerinde nitelendirilmiştir: Oldukça denetimli koşullarda elde edilen Human Connectome Project (HCP) veri kümesi ve daha gerçekçi koşullarda elde edilen bir National Institute of Health (NIH) veri kümesi. Bu analiz, ileri-bozulmadan önce tahmin edilen katı dönüşümün uygulanmasının, ileri-bozulmuş görüntüler ile girdi EPG görüntüleri arasındaki uyumu belirgin biçimde iyileştirdiğini göstermektedir. Bu motivasyondan hareketle, önerilen mcFD-Net; ileri-bozulma ağı (FD-Net) varyantları ve TOPUP çıktıları ile eğitilmiş bir denetimli temel model ile karşılaştırılmıştır. HCP ve NIH veri kümeleri üzerindeki nitel ve nicel görüntü kalitesi değerlendirmelerinde klasik TOPUP yöntemi referans olarak kullanılmıştır. Sonuçlar, mcFD-Net'in rakip öğrenme tabanlı yöntemleri geride bırakan yüksek kalitede bir bozulma düzeltmesi sağladığını ve TOPUP'a kıyasla hesaplama süresinde iki büyüklük kertesinden fazla hızlanma sunduğunu ortaya koymaktadır. Bu tez, önerilen mcFD-Net'in duyarlılık kaynaklı artefaktlar ile hareketin eşzamanlı düzeltilmesi için hızlı ve fizik tabanlı bir çerçeve sunduğu sonucuna varmaktadır.

Özet (Çeviri)

Echo planar imaging (EPI) is a magnetic resonance imaging (MRI) sequence widely used in diffusion weighted imaging and functional MRI, because it enables rapid k-space acquisition following a single RF excitation. However, EPI suffers from susceptibility-induced artifacts that arise from field inhomogeneities and manifest as geometric distortions and signal pileup/dropout artifacts along the phase-encode (PE) direction. These distortions limit the clinical and quantitative utility of the acquired images, hence correction of these distortions is essential before any downstream analyses. A widely adopted approach for distortion correction is based on acquiring a pair of EPI images with reversed-PE directions featuring distortions in opposite directions, from which the underlying correct image and displacement field can be computed. Classical examples of this approach, such as TOPUP, are physically principled but rely on computationally expensive iterative optimization, making them impractical for clinical use. Recent deep learning approaches aim to reduce this computational cost. This thesis proposes motion-consistent Forward-Distortion Network (mcFD-Net) for fast, motion-consistent distortion correction in EPI. The proposed mcFD-Net is trained in a physics-driven, unsupervised fashion to estimate a corrected image, a displacement field, and a pair of aligned/non-aligned images from the acquired reversed-PE images. An integrated pretrained localization unit is used to estimate the in-plane rigid transformation parameters from the aligned/non-aligned image pair. Then, to simultaneously enforce data consistency and motion consistency, the corrected image is forward distorted using the estimated displacement field, with the transformation parameters applied before the forward distortion process for the second PE direction. To demonstrate the importance of motion correction, this thesis firstly characterizes the inter-acquisition motion severity on two complementary datasets: the Human Connectome Project (HCP) dataset, acquired under highly controlled conditions, and a National Institutes of Health (NIH) dataset, acquired under more realistic conditions. This analysis shows that applying the estimated rigid transformation before forward distortion substantially improves the agreement between the forward-distorted and input EPI images. Based on this motivation, the proposed mcFD-Net is compared against Forward-Distortion Network (FD-Net) variants and a supervised baseline trained with TOPUP outputs. The classical TOPUP method is used as the reference for qualitative and quantitative image quality assessments on the HCP and NIH datasets. The results demonstrate that mcFD-Net achieves high-fidelity distortion correction surpassing the competing learning-based methods, while providing more than two-order-of-magnitude speedup in computation time over TOPUP. This thesis concludes that the proposed mcFD-Net establishes a fast, physics-driven framework for simultaneous correction of susceptibility-induced artifacts and motion.

Benzer Tezler

  1. Tez No

    761667

    A deep learning model for susceptibility artifact correction in Echo Planar Imaging

    Eko Planar Görüntülemede duyarlılık artefaktı düzeltme için derin öğrenme modeli

    ABDALLAH GHAZI FAISAL ZAID ALKILANI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. EMİNE ÜLKÜ SARITAŞ ÇUKUR

    DOÇ. TOLGA ÇUKUR

  2. Tez No

    1012290

    Novel methods for ned angle estimation using only azimuth measurements in electronic warfare systems

    Elektronik harp sistemlerinde yalnızca yanca ölçümleriyle ned açı kestirimi için yeni yaklaşımlar

    SERKAN UÇAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN ALİ ÇIRPAN

  3. Tez No

    972455

    A learning-centric end-to-end hybrid system for in-situ thermographic inspection in automated fiber placement

    Otomatik fiber yerleştirmede yerinde termal denetim için öğrenme tabanlı uçtan uca hibrit bir sistem

    MUHAMMED ZEMZEMOĞLU

    Doktora

    İngilizce

    İngilizce

    2025

    Mekatronik MühendisliğiSabancı Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ÜNEL

  4. Tez No

    1011448

    İnsansı robot yürüyüşünün derin pekiştirmeli öğrenme tabanlı kontrolü

    Deep reinforcement learning-based control of humanoid robot walking

    MUSTAFA AYYILDIZ

    Doktora

    Türkçe

    Türkçe

    2026

    Elektrik ve Elektronik MühendisliğiAkdeniz Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ÖVÜNÇ POLAT

  5. Tez No

    783792

    Video görüntüleri üzerinde nesnelerin mekansal-zamansal bütünleşik çerçevesinde anlamlandırılması

    Giving meaning to objects on video footage in the spatial-temporal unified framework

    TANSU TEMEL

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. YAŞAR HOŞCAN

    DR. ÖĞR. ÜYESİ MEHMET KILIÇARSLAN

Geri Dön