Deep learning for accelerated MR imaging
Başlık çevirisi mevcut değil.
- Tez No: 666387
- Danışmanlar: DOÇ. DR. TOLGA ÇUKUR
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 234
Özet
Manyetik rezonans görüntüleme, aynı anatominin çoklu kontrastlı edinimine olanak sağlayan ve böylece tanı için çok sayıda bilgiyi sağlayan noninvazif bir görüntüleme yöntemidir. Ancak uzun tarama süresi, pratik kullanıma engel olabilir. MR görüntü edinimlerini hızlandırmak için kullanılan iki ana sistem geriçatım ve sentezdir. Geriçatımda, edinimler k-uzayında alt örnekleme ve takibinde geriçatım algoritmaları ile hızlandırılır. Son zamanlarda derin sinir ağları, MR görüntü geriçatımında geleneksel yöntemlerin üstüne önemli gelişmeler sağladı. Bununla birlikte, derin sinir ağları geniş veri setlerinin kullanılabilirliğine bel bağlamaktadır ki bu veri setleri bazı uygulamalar için mevcut olmayabilir. Ayrıca, genel olarak geriçatım yöntemlerinin bir uyarısı şudur ki, daha az veri örnekleminin elde edildiği daha yüksek hızlandırma faktörlerine doğru performans doğal olarak düşmeye başlamaktadır. Alternatif sentez yönteminde, istenilen kontrastların bir alt kümesinin edinimi ve eksik olanların elde edilenlerden kurtartılmasıyla edinimler hızlandırılır. Mevcut sentez yöntemleri, başlıca ortalama kare ve mutlak kayıp fonksiyonlarını en aza indirmek için eğitilmiş derin sinir ağlarına dayanmaktadır. Bu kurtarılan görüntülerde, orta ve yüksek frekans içeriğinin kaybına neden olabilir. Ayrıca sentez performansı genel olarak kaynak ve hedef kontrastları arasındaki relaksasyon parametrelerindeki benzerliğe dayanır ve büyük farklılıklar yapay sentezlere ve özellik kayıplarına yol açabilir. Geriçatım ve sentez yaklaşımları ile alakalı sorunları ele alıyoruz. Geriçatımda veri azlığı sorunu, mevcut geniş veri setleri üzerinde bir modelin ön eğitiminin yapılması ve sonrasında hedef veri setinden yalnızca birkaç örnek üzerinde ince ayarlarının yapılmasıyla ele alınmıştır. Sentez durumunda orta ve yüksek frekans kaybı, geleneksek ortalama mutlak hatanın üzerine çekişmeli ve yüksek düzeyde algısal kayıp fonksiyonlarının eklenmesiyle karşılanmaktadır. Son olarak, hem geriçatım hem de sentez yaklaşımlarıyla alakalı sorunları hafifletmek için ortak bir geriçatım ve sentez yaklaşımı önerilmiştir. Sağlıklı deneklerin ve hastaların MR beyin verisetleri üzerinde yapılan gösterimler, önerilen tekniklerin güncel gelişmiş tekniklere göre üstün performansını göstermektedir.
Özet (Çeviri)
Magnetic resonance imaging is a non-invasive imaging modality that enables multi-contrast acquisition of an underlying anatomy, thereby supplementing multitude of information for diagnosis. However, prolonged scan duration may prohibit its practical use. Two mainstream frameworks for accelerating MR image acquisitions are reconstruction and synthesis. In reconstruction, acquisitions are accelerated by undersampling in k-space, followed by reconstruction algorithms. Lately deep neural networks have offered significant improvements over traditional methods in MR image reconstruction. However, deep neural networks rely heavily on availability of large datasets which might not be readily available for some applications. Furthermore, a caveat of the reconstruction framework in general is that the performance naturally starts degrading towards higher acceleration factors where fewer data samples are acquired. In the alternative synthesis framework, acquisitions are accelerated by acquiring a subset of desired contrasts, and recovering the missing ones from the acquired ones. Current synthesis methods are primarily based on deep neural networks, which are trained to minimize mean square or absolute loss functions. This can bring about loss of intermediate-to-high spatial frequency content in the recovered images. Furthermore, the synthesis performance in general relies on similarity in relaxation parameters between source and target contrasts, and large dissimilarities can lead to artifactual synthesis or loss of features. Here, we tackle issues associated with reconstruction and synthesis approaches. In reconstruction, the data scarcity issue is addressed by pre-training a network on large readily available datasets, and fine-tuning on just a few samples from target datasets. In synthesis, the loss of intermediate-to-high spatial frequency is catered for by adding adversarial and high-level perceptual losses on top of traditional mean absolute error. Finally, a joint reconstruction and synthesis approach is proposed to mitigate the issues associated with both reconstruction and synthesis approaches in general. Demonstrations on MRI brain datasets of healthy subjects and patients indicate superior performance of the proposed techniques over the current state-of-the art ones.
Benzer Tezler
- Deep unsupervised learning for accelerated mri reconstruction
Derin denetimsiz öğrenme ile hızlandırılmış mrg rekonstrüksiyonu
YILMAZ KORKMAZ
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA ÇUKUR
- Parkinson hastalarının dikkat fonksiyonlarına ait beyin aktivasyonlarının fonksiyonel MRG ile incelenmesi ve evrişimsel sinir ağları ile sınıflandırılması
Analysis of the brain activations of attention functions of Parkinson patients with functional MRI and classification with conventional neural networks
NUR YILMAZ
Yüksek Lisans
Türkçe
2022
BiyomühendislikSelçuk ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜZİN ÖZMEN
- Federated MRI reconstruction with deep generative models
Derin üretken modeller ile federe MRG rekonstrüksiyonu
GÖKBERK ELMAS
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA ÇUKUR
- Beyin MR görüntülerinin görüntü işleme teknikleri kullanılarak sınıflandırılması
Classification of brain mr images using image processingtechniques
ERCÜMENT GÜVENÇ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEVLÜT ERSOY
DOÇ. DR. GÜRCAN ÇETİN
- Deep Learning for Accelerated 3D MRI
Hızlandırılmış 3D MRG için Derin Öğrenme
MUZAFFER ÖZBEY
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA ÇUKUR