Geri Dön

Self-supervised deep convolutional neural network training for low-dose CT reconstruction

Düşük dozlu BT geriçatması için derin evrişimli sinir ağlarının öz denetimli eğitimi

PDF İndir

  1. Tez No: 716926
  2. Yazar: MEHMET OZAN ÜNAL
  3. Danışmanlar: DOÇ. DR. İSA YILDIRIM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 51

Özet

Bilgisayarlı tomografi (BT), vücudun invaziv olmayan bir şekilde üç boyutlu görüntüsünü elde etmek için kullanılan tıbbi bir görüntüleme tekniğidir. BT görüntüleme sırasında radyasyon kaynağı, X ışınları yayarak sarmal bir yörüngede hasta etrafında döner ve farklı açılardaki dedektör verileri toplanır. Bu toplanan veriler BT projeksiyonları olarak bilinir ve bunlardan oluşturulan görüntü BT görüntüsü olarak bilinir. BT görüntüleme, insan vücudunudaki dokuları görüntülemek ve ciddi hastalıkları teşhis etmek için kullanılan en önemli araçlardan biridir. BT görüntülemede en ciddi endişelerden biri ise iyonlaştırıcı radyasyon olmuştur. Görüntü kalitesinden ödün vermeden doz seviyesini azaltmak için çeşitli düşük doz BT geri çatma yaklaşımları önerilmiştir. Projeksiyonlar gürültülü veya eksik olduğunda, FBP yöntemi tatmin edici sonuçlar vermez. İlerleyen yıllarda farklı düşük doz BT görüntüleme koşullarında geri çatma kalitesini iyileştirmek için çeşitli yöntemler önerilmiştir. Düşük dozlu BT geri çatması için önerilen yöntemlerden biri, hatanın yinelemeli olarak geriye yansıtılmasıyla çalışan yinelemeli yöntemlerdir. En popüler yinelemeli yöntemlerden biri olan Simultaneous Algebraic Reconstruction Technique (SART), tüm projeksiyonlar için hatayı aynı anda geri yansıtır. Son zamanlarda, düşük doz BT geri çatma problemi için sıkıştırılmış algılama tabanlı yöntemler önerilmiştir. Sıkıştırılmış algılama teorisine göre, eğer bir bilgi bilinen bir uzayda seyrek ise, bu bilgi onun eksik ölçümleriyle yeniden oluşturulabilir. Doğal görüntüler genellikle seyrek değildir, ancak bir bilgi doğrusal bir dönüşüm yoluyla seyrekleştirilebiliyorsa, sıkıştırılmış algılama teorisi hala geçerlidir. Popüler bir doğrusal seyrekleştirme dönüşümü olan Toplam Varyasyon (TV) minimizasyonu, çözüm setini görüntülerin gradyan büyüklüğünü en aza indirmeyi amaçlayarak sınırlar. Sonraki yıllarda iteratif ve sıkıştırılmış algılama tabanlı yöntemler birleştirilmiş ve düşük doz BT geri çatma problemi için önerilmiştir. Derin öğrenmenin ortaya çıkması, hesaplama gücünün artan kullanılabilirliği ve devasa veri kümeleri ile veriye dayalı yöntemler son zamanlarda büyük ilgi görmektedir. Derin öğrenmeye dayalı yöntemler, düşük dozlu BT geri çatma problemini çözmek için de çeşitli şekillerde uygulanmıştır. Görüntü uzayında, gürültü gidericiler olarak genellikle Evrişimli Sinir Ağı (CNN) tabanlı yaklaşımlar kullanılır. Derin öğrenme ayrıca yinelemeli geri çatma yöntemleriyle genişletilip ve yinelemeli olarak uygulanmıştır. Bununla birlikte, bu yöntemlerin başarısı genellikle etiketlenmiş verilere ve verisetlerinin büyüklüğüne bağlı durumdadır. Ancak son çalışmalar, gürültülü veri kümeleriyle, gürültüsüz hedef verilere gerek kalmadan derin sinir ağlarının eğitiminin başarıyla yapılabileceğini göstermiştir. Noise2Noise temiz hedef görüntüleri gerektirmeyen bir gürültü giderme yöntemidir. Bu yöntemin çalışabilmesi için aynı bilginin iki farklı gürültülü ölçümü gereklidir. Noise2Self ve Noise2Void çalışmaları ise gürültü gidermenin sadece gürültülü ölçümün kendisi kullanılarak yapılabileceğini önermiş ve görüntü uzayı problemlerinde uygulamıştır. Biz de bu çalışmada bu yöntemlere benzer şekilde, düşük doz projeksiyonları kendi eğitim hedefleri olarak kullanmak için bir eğitim şeması tanımladık. Öz denetimli öğrenme yöntemlerinin gerekliliklerinden biri de gürültünün pixeller arası bağımsız olmasıdır. Bu nedenle öz denetimli eğitim yöntemi gürültünün bu şekilde modellenebileceği projeksion uzayında uygulanmıştır. Gürültü giderici bir sinir ağının parametreleri, bu tanımladığımız öz denetimli eğitim yoluyla optimize edilmiştir. Önerilen geri çatma üç aşamada anlatılabilinir: Ön işleme, eğitim ve geri çatma. Ön işleme, Radon dönüşümü ve toplamsal beyaz Gauss gürültüsü kullanılarak CT görüntülerinden düşük dozlu projeksiyonlar oluşturmayı içerir. Elde edilen projeksiyon veri seti iki bölüme ayrılmıştır: eğitim ve test. Eğitim kümesi projeksiyonları için, piksellerin J. alt kümesi pertürbe edilir ve FBP geri çatma yöntemine giriş olarak verilir. Pertürbasyonlar için aşağıdaki adımlar kullanılır: 1. Giriş görüntüsünü kare parçalara bölmek için bir ızgara kullanılır. Bizim deney setimizde 4x4 olarak ayarlanmıştır. 2. Pertürbe edilecek piksel (i.), iterasyon sayısının ızgaradaki piksel sayısına (4x4=16) bölünmesiyle seçilir. Örneğin, yineleme sayısı 172 ise, 172 mod(16) = 12'dir. 3. Her ızgaranın i. pikseli, i. pikselinin kendisi hariç tutularak, bitişik dört pikselin ortalaması ile pertürbe edilir. FBP çıktısı, sinir ağı kullanılarak gürültüden arındırılır ve daha sonra Radon dönüşümü yoluyla projeksiyon uzayına iletilir. Hataya J. alt küme maskesini uyguladıktan sonra, çıktı ile pertürbe edilmiş projeksiyonlar arasında hata hesaplanır. Sinir ağı, tanımladğımız bu hatayı minimize etmek için Adam yöntemi kullanılarak optimize edilmiştir. Ağ ağırlıkları eğitim tarafından öğrenildikten sonra geri çatma için kullanılır. Geri çatma sırasında, girdi projeksiyonları hiçbir değişiklik yapılmadan ham formda FBP operatörüne iletilir. Geri çatılmış görüntü, öğrenilmiş parametreleri kullanak derin sinir ağı tarafından görültüden arındırılır. Hem analitik hem de tıbbi BT verileri üzerinde deneyler yapılmıştır. İnsan CT verileri olarak, Deep Lesion veri setinden ve sentetik veri olarak elips veri setinden kesitler kullanılmıştır. Düşük doz ayarlarını simüle etmek için 64-açı paralel ışın geometrisi kullanılmıştır. Gürültülü projeksiyonlar, 30, 33 ve 37 dB SNR değerlerine sahip toplamsal beyaz Gauss gürültüsü ile oluşturulmuştur. Önerilen yöntem FBP, SART, SART+TV, SART+BM3D ve FBP+U-Net yöntemleri ile karşılaştırılmıştır. Yöntemler nicel olarak PSNR, SSIM metrikleri ile karşılaştırılırken, geri çatılan görüntülerden alınan bazı görsel örneklerle arka plan pürüzsüzlüğü, detayların keskinliği ve lezyonların geri kazanılabilirliği açısından niteliksel olarak değerlendirilmiştir. Tüm gürültü seviyeleri için FBP, bu kriterlere göre en kötü sonuçları vermiştir. SART'ın çıkış görüntüsü TV veya BM3D aracılığıyla gürültüden arındırıldığında performansı büyük ölçüde artar. Bu deney koşulları altında, denetimli yöntem en iyi sonucu verir. Görsel sonuçlarda ise bulgular şu şekildedir. FBP geri çatılmış görüntüsünde ciddi artefaktlar var. SART daha iyi sonuçlar verir, ancak yine de çok fazla arka plan gürültüsü vardır. TV ve BM3D arka plan gürültüsünü etkili bir şekilde bastırsa da, aşırı yumuşatma etkileri küçük detayların algılanabilirliğini azaltır. Önerilen öz denetimli yöntem ve denetimli yaklaşım, arka plan gürültüsünü azaltma ve ince ayrıntıları kurtarma açısından diğerlerinden daha iyi performans gösterir. Önerilen yöntem ile denetimli yöntem arasında daha iyi niteliksel bir karşılaştırma için şekillerde yakınlaştırılmış alanlar kullanılmıştır, bu da önerilen yöntemin bir çok deney setinde denetimli yöntem ile karşılaştırılabilir sonuçlar verdiğini gösterir. Sonuç olarak karşılaştırmalarımızda, yöntemimizin analitik BT fantomlarının ve gerçek dünya BT görüntülerinin geri çatmasında hem niteliksel hem de niceliksel olarak iyi performans göstediği sergilenmiştir. Hem geleneksel FBP methodundan hem de sıkıştırılmış algılama tabanlı yinelemeli geri çatma yöntemlerinden daha iyi performans gösterdiği ortaya konulmuştur.

Özet (Çeviri)

Computed tomography (CT) is a medical imaging technique to obtain a noninvasively three-dimensional image of the body. CT imaging is one of the most crucial tools which is used for monitoring the human body and diagnosing serious illnesses. In CT imaging, one of the most serious concerns has been ionizing radiation since exposure to large amounts of radiation can cause serious illnesses. Various low-dose CT reconstruction approaches have been proposed to reduce the dose level without compromising image quality. With the emergence of deep learning, the increasing availability of computational power, and huge datasets, data-driven methods have recently gotten a lot of attention. Deep learning-based methods have also been applied in various ways to address low-dose CT reconstruction problem. However, the success of these methods is usually dependent on labeled data, which requires tedious work by radiologists for CT imaging. Recent studies, however, have also shown that training may be done successfully with noisy datasets without the requirement of noise-free target data. In this study, a training scheme is defined to use low-dose projections as their own training targets. We apply the self-supervision principle in the projection domain where the noise is element-wise independent, which is a requisite for self-supervised training methods. The parameters of a denoiser neural network are optimized through self-supervised training. Experiments are done with both analytical and human CT data. Slices from deep lesion dataset for human CT data and ellipses dataset for synthetic data are used. To simulate low-dose settings, 64 views parallel beam geometry is used. The noisy projections are created with additive white Gaussian noise with 30, 33, and 37 dB SNR values. The proposed method is compared with FBP, SART, SART+TV, SART+BM3D, and the supervised FBP+U-Net method. The methods are compared quantitatively with PSNR and SSIM metrics, and the reconstructions are qualitatively assessed regarding background smoothness, the sharpness of the details, and the recoverability of the lesions with some visual examples. In the comparisons, it is shown that the proposed method outperforms both traditional and compressed sensing-based iterative reconstruction methods in the reconstruction of analytic CT phantoms and real-world CT images in the low-dose CT reconstruction task, both qualitatively and quantitatively. Besides, it produces comparable results with the supervised approach.

Benzer Tezler

  1. Tez No

    753612

    Single-frame and multi-frame super-resolution on remote sensing images via deep learning approaches

    Derin öğrenme yaklaşımlarıyla uzaktan algılama görüntülerinde tek çerçeve ve çok çerçeve süper çözünürlük

    PEIJUAN WANG

    Doktora

    İngilizce

    İngilizce

    2022

    İletişim Bilimleriİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. ELİF SERTEL

  2. Tez No

    533797

    2D/3D human pose estimation using deep convolutional neural nets

    Derin evrişimsel sinir ağları ile 2B/3B insan vücudu pozisyon kestirimi

    MUHAMMED KOCABAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EMRE AKBAŞ

  3. Tez No

    728716

    Short term electricity load forecasting with deep learning

    Derin öğrenme ile kısa dönemli elektrik yük talep tahmini

    İBRAHİM YAZICI

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  4. Tez No

    899096

    Etkin sorgu önerileri için kullanıcı sorgularının görev tabanlı yönetilmesi

    Task based management of user queries for effective query suggestions

    NURULLAH ATEŞ

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF YASLAN

  5. Tez No

    892819

    Öz bilgi destekli derin öğrenme yaklaşımları ile hsg gürültü giderme

    Self-ınformation empowered deep learning approaches for hsı denoising

    ORHAN TORUN

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiHacettepe Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SENİHA ESEN YÜKSEL ERDEM

    PROF. DR. MEHMET ERKUT ERDEM

Geri Dön