Geri Dön

Deep Learning for Accelerated 3D MRI

Hızlandırılmış 3D MRG için Derin Öğrenme

PDF İndir

  1. Tez No: 688837
  2. Yazar: MUZAFFER ÖZBEY
  3. Danışmanlar: DOÇ. DR. TOLGA ÇUKUR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  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: 104

Özet

Manyetik rezonans görüntüleme (MRG), çok sayıda doku kontrastı altında belirli bir anatomik hacmi görüntüleme esnekliği sunar. Fakat tarama zamanıyla alakalı endişeler MRG verisinin kalite ve çeşitliliği üzerinde keskin kısıtlamalara sebep olmaktadır. Bu kısıtlamaları kaldırmak için uygulanan güncel standart yaklaşım değişik boyutlardan, genellikle de Fourier alanı veya kontrast kümelerinden, alınan ve çarpazlama alt-örneklenen verilerden yüksek kalite görüntüler devşirmektir. Bu devşirme yöntemleri arasındaki başlıca fark anatominin hacimsel mi yoksa kesitsel mi işlendiğidir. Hacimsel modeller gelişmiş bütünlüklü bağlamsal malumat sağlarken fazlaca karmaşık modeller yüzünden yetersiz bir öğrenmeye sebep olur. Kesit bazlı modellerse daha az karmaşık olmaları sayesinde öğrenimde artış sağlarken hacmin boylamsal boyutlarındaki bağlamsal malumatı göz ardı ederler. Burada biz karmaşık hacimsel görüntülerin devşirilme görevini münferit doğrusal boyutlarda görev uygunluğunca sıralanmış, ardıl kesitli haritalamalara bolüştüren üretim modelleri (ProvoGAN) için yeni ve ileri bir hacimleştirme stratejisi sunmaktayız. ProvoGAN düşük model karmaşıklığını koruyup gelişmis öğrenimi temin ederken etkili biçimde bütünlüklü bağlam elde edebilmekte ve tüm boyutlar boyunca ince yapısal detayları devşirebilmektedir. Anaakım MRG geriçatım ve sentez görevleri üzerinde yapılan kapsamlı izahlar ProvoGAN'ın son teknoloji hacimsel ve kesitsel modellere göre üstün performans sağladığını göstermektedir.

Özet (Çeviri)

Magnetic resonance imaging (MRI) offers the flexibility to image a given anatomic volume under a multitude of tissue contrasts. Yet, scan time considerations put stringent limits on the quality and diversity of MRI data. The gold-standard approach to alleviate this limitation is to recover high-quality images from data undersampled across various dimensions, most commonly the Fourier domain or contrast sets. A primary distinction among recovery methods is whether the anatomy is processed per volume or per cross-section. Volumetric models offer enhanced capture of global contextual information, but they can suffer from suboptimal learning due to elevated model complexity. Cross-sectional models with lower complexity offer improved learning behavior, yet they ignore contextual information across the longitudinal dimension of the volume. Here, we introduce a novel progressive volumetrization strategy for generative models (ProvoGAN) that serially decomposes complex volumetric image recovery tasks into successive cross-sectional mappings task-optimally ordered across individual rectilinear dimensions. ProvoGAN effectively captures global context and recovers fine-structural details across all dimensions, while maintaining low model complexity and improved learning behaviour. Comprehensive demonstrations on mainstream MRI reconstruction and synthesis tasks show that ProvoGAN yields superior performance to state-of-the-art volumetric and cross-sectional models.

Benzer Tezler

  1. Tez No

    755081

    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

    Türkçe

    2022

    BiyomühendislikSelçuk Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÜZİN ÖZMEN

  2. Tez No

    444554

    Dendritic spine shape analysis based on two-photon microscopy images

    İki foton mikroskobik görüntüleri kullanarak dendritik diken şekil analizi

    MUHAMMAD USMAN GHANI

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. MÜJDAT ÇETİN

  3. Tez No

    857941

    Accelerating molecular docking using machine learning methods

    Kenetleme hesaplarının makine öğrenme metotları ile hızlandırılması

    ABDULSALAM YAZID BANDE

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    Assist. Prof. Dr. SEFER BADAY

  4. Tez No

    666387

    Deep learning for accelerated MR imaging

    Başlık çevirisi yok

    SALMAN UL HASSAN DAR

    Doktora

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TOLGA ÇUKUR

  5. Tez No

    755027

    Deep unsupervised learning for accelerated mri reconstruction

    Derin denetimsiz öğrenme ile hızlandırılmış mrg rekonstrüksiyonu

    YILMAZ KORKMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TOLGA ÇUKUR

Geri Dön