Geri Dön

Deep unsupervised learning for accelerated mri reconstruction

Derin denetimsiz öğrenme ile hızlandırılmış mrg rekonstrüksiyonu

PDF İndir

  1. Tez No: 755027
  2. Yazar: YILMAZ KORKMAZ
  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: 2022
  8. Dil: İngilizce
  9. Üniversite: İhsan Doğramacı Bilkent Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 104

Özet

Denetimli rekonstrüksiyon modelleri, veri tutarlılığını sağlamak için görüntüleme operatörüyle ilgili denetimle birlikte, genelde yetersiz örneklenmiş ve tam örneklenmiş veri çiftleri üzerinde eğitilir. Denetim gereksinimlerini azaltmak için, derin görüntü modelleri rekonstrüksiyon sırasında görüntüleme operatörü ile eğitimsiz MRG modellerini birleştirir. Bunun yanı sıra, kurallı evrişimli mimariler, uzun menzilli ilişkileri yakalamada yetersizdir ve rastgele başlatılan ağlara dayanan modeller, rekonstrüksiyon sırasında performans kaybına uğrayabilir. Bu sınırlamaları ele almak için, burada transformatör ve çekişmeli üretici ağlara (SLATER) dayalı yeni bir denetimsiz MRG rekonstrüksiyon yöntemini tanıtıyoruz. SLATER, gürültüyü ve gizli değişkenleri bobin-kombine MR görüntüleri ile eşleştirmek için çapraz dikkat transformatörleri ve derin bir çekişmeli üretici ağı bünyesinde barındırır. Ön eğitim sırasında, bu koşulsuz ağ, denetimsiz bir üretici modelleme görevi ile yüksek kaliteli MR görüntüleri sentezlemeyi öğrenir. Rekonstrüksiyon sırasında, görüntüleme operatörü işleme dahil edilerek az örneklenmiş verilere tutarlılığı en üst düzeye çıkarmak için model parametreleri optimize edilir ve sıfır atışlı bir yeniden oluşturma gerçekleştirilmiş olur. Beyin MRG veri kümeleri üzerinde yapılan kapsamlı deneyler, SLATER'in son teknoloji denetimsiz yöntemlere karşı üstün performansını açıkça göstermektedir.

Özet (Çeviri)

Supervised reconstruction models are characteristically trained on matched pairs of undersampled and fully-sampled data to capture an MRI prior, along with supervision regarding the imaging operator to enforce data consistency. To reduce supervision requirements, the recent deep image prior framework instead conjoins untrained MRI priors with the imaging operator during inference. Yet, canonical convolutional architectures are suboptimal in capturing long-range relationships, and priors based on randomly initialized networks may yield suboptimal performance. To address these limitations, this thesis introduces a novel unsupervised MRI reconstruction method based on zero-Shot Learned Adversarial TransformERs (SLATER). SLATER embodies a deep adversarial network with cross-attention transformers to map noise and latent variables onto coil-combined MR images. During pre-training, this unconditional network learns a high-quality MRI prior in an unsupervised generative modeling task. During inference, a zero-shot reconstruction is then performed by incorporating the imaging operator and optimizing the prior to maximize consistency to undersampled data. Comprehensive experiments on brain MRI datasets clearly demonstrate the superior performance of SLATER against state-of-the-art unsupervised methods.

Benzer Tezler

  1. Tez No

    879113

    Yassı alüminyum üretiminde kalite sınıflarının makine öğrenmesi yöntemleri ile tahminlenmesi

    Prediction of quality classification in flat rolled aluminium production using machine learning methods

    ALPEREN AYTATLI

    Doktora

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALPER KİRAZ

  2. Tez No

    850818

    Badland systems in Turkey: A holistic approach to understand the formation, controlling factors and geomorphologic characteristics

    Türkiye'deki kırgıbayır sistemleri: Oluşumlarını, kontrol eden faktörlerini ve jeomorfolojik karakterlerini anlamak üzerine bütünsel bir yaklaşım

    AYDOĞAN AVCIOĞLU

    Doktora

    İngilizce

    İngilizce

    2023

    Coğrafyaİstanbul Teknik Üniversitesi

    Katı Yer Bilimleri Ana Bilim Dalı

    DOÇ. DR. TOLGA GÖRÜM

    DR. ÖĞR. ÜYESİ ÖMER YETEMEN

  3. 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

  4. Tez No

    807236

    Deep unfolding for clutter removal in ground penetrating radar

    Yere nüfuz eden radarda kargaşa gidermek için derin katman açma

    SAMET ÖZGÜL

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. IŞIN ERER

  5. Tez No

    866236

    Deep reinforcement learning for autonomous air combat under noisy observations

    Gürültülü gözlem altında otonom hava muharebesi için derin pekiştirmeli ögrenme

    AHMET SEMİH TAŞBAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NAZIM KEMAL ÜRE

Geri Dön