A deep learning model for susceptibility artifact correction in Echo Planar Imaging
Eko Planar Görüntülemede duyarlılık artefaktı düzeltme için derin öğrenme modeli
- Tez No: 761667
- Danışmanlar: DOÇ. EMİNE ÜLKÜ SARITAŞ ÇUKUR, DOÇ. TOLGA ÇUKUR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 79
Özet
Difüzyon ağırlıklı görüntüleme (DWI), biyolojik doku içindeki su moleküllerinin Brown hareketini \textit{in vivo} ve noninvaziv şekilde incelemeyi sağlayan bir manyetik resonans görüntüleme (MRI) tekniğidir. DWI için en yaygın olarak kullanılan sekans, tek bir difüzyon hazırlama adımından sonra tek seferde $k$-uzayının tamamının zikzak şeklinde toplandığı eko planar görüntülemedir (EPI). EPI, harekete karşı gürbüzlüğü nedeniyle tercih edilmektedir ve DWI'nın yüksek sinyal-gürültü oranı verimliliği ve kısa alım süresi gereksinimlerini karşılamaktadır. Bunlara rağmen, EPI, güçlü okuma gradyanları ve faz-kodlama (PE) yönündeki düşük bant genişliği nedeniyle ortaya çıkan duyarlılık artefaktlerinden muzdariptir. Bu artefaktlar, manyetik duyarlılık farklılıklarından kaynaklanmaktadır, ve geometrik bozulma ve yoğunluk bozulması olarak kendini göstermektedir. Bu artefaktları düzeltmek için son işlem yöntemleri yaygın olarak kullanılmaktadır. Bu yöntemler arasında özellikle duyarlılığa bağlı yer değiştirme alanını belirlemek için ters PE yönlerinde elde edilen görüntüleri kullanan ters PE teknikleri yaygındır. Ters PE yöntemleri için birçok derin öğrenme dışı yöntem mevcut olsa da, bunlar nispeten zaman alıcıdır ve örneğe özgü optimizasyon gerektirmektedir. Yalnızca birkaç yeni çalışma, ters PE tekniklerini hızlandırmak için derin öğrenmeyi kullanmanın faydalarını araştırmıştır. Bu yöntemler görüntü benzerliğini en üst düzeye çıkaran tahmini bir yer değiştirme alanıyla tersine çarpıtarak düzeltmeye dayanmaktadır. Bu tez, duyarlılık artefaktlarını düzeltmek için derin ve denetimsiz bir ileri yönde bozulma ağı (FD-Net) önermektedir. FD-Net, gelişmiş düzeltme performansı için ölçüm doğruluğunu açıkça kısıtlarken düzeltmeyi hızlandırmaktadır. Bu teknik, girdi ters PE görüntülerinden alanı ve düzeltilmiş görüntüyü tahmin etmek için bir kodlayıcı-kod çözücü mimarisi kullanmaktadır. Tahmin edilen görüntüye her iki PE yönünde ileri yönde bozulma işlemi gerçekleştirmek için alanın kullanılması, girdi ters PE görüntülerini açıklamalı ve böylece girdi verilerine dayanarak tutarlılığı sağlamalıdır. Bu ileri yönde bozulma yaklaşımı, matris işlemlerine dayanmaktadır ve hesaplama açısından verimlidir. İki farklı çoklu çözünürlük stratejisi göz önünde bulundurulmuştur: Kod çözücünün önceki aşamalarının daha düşük çözünürlüklü alan ve görüntü tahminleri ürettiği bir çoklu ölçek stratejisi, ve tam çözünürlüklü tahminlerin aşamalı olarak bulanıklaştığı bir çoklu bulanıklık stratejisi. Her iki strateji de farklı ölçekler ve bulanıklıklar arasında tutarlılığı zorunlu kılarak performansı artırmayı amaçlamakta, böylece etkin bir şekilde yakınsamayı hızlandırmakta ve yerel minimumlardan kaçınmaktadır. Bu tezde çoklu çözünürlüklü stratejilerinin varyasyonları göz önünde bulundurulmaktadır, ve nicel görüntü kalitesi metrikleri açısından en yüksek performans gösteren strateji seçilmektedir. FD-Net'in performansı, literatürdeki iki yeni derin öğrenme yöntemiyle ve FD-Net'e dayanan bir denetimli temel yöntemle karşılaştırılarak değerlendirilmek-tedir. Altın standart referans olarak klasik bir tersine çarpıtma tabanlı yöntem kullanılmaktadır. Görüntü kesiti bazında, katılımcı bazında, görsel ve nicel görüntü kalitesi değerlendirmeleri kapsamlı olarak yapılmaktadır. Sonuçlar, FD-Net'in karşılaştırılan derin öğrenme yöntemlerinden daha iyi performans gösterdiğini, ve gürbüz alan tahminlerini sürdürürken, tahmin edilen görüntü kalitesi açısından denetimli temel yöntemden üstün olduğunu göstermektedir. Bu nedenle, ileri yönde bozulma modeli, tersine çarpıtma tabanlı yaklaşımlarla karşılaştırıldığında, bozulma düzeltmesi için daha iyi koşullandırılmış bir problemi sunmaktadır. Bu tez, FD-Net'in ölçüm verilerinin aslına uygunluğunu daha iyi sınırlayan duyarlılık artefaktı düzeltme problemi için yeni bir yaklaşım sağladığı sonucuna varmaktadır.
Özet (Çeviri)
Diffusion Weighted Imaging (DWI) is a Magnetic Resonance Imaging (MRI) technique that probes the Brownian motion of water molecules within biological tissue, \textit{in vivo} and non-invasively. The most commonly employed sequence for DWI is Echo Planar Imaging (EPI), where the entirety of $k$-space is collected in a zigzag manner in one shot after a single diffusion preparation step. EPI is preferred due to its robustness to motion, and it meets the high signal-to-noise ratio efficiency and short acquisition duration demands of DWI. However, EPI suffers from severe susceptibility-induced artifacts that arise due to strong readout gradients and low bandwidth along the phase-encode (PE) direction. These artifacts are caused by magnetic susceptibility differences and manifest as geometric and intensity distortions. Postprocessing methods are extensively used to correct for these artifacts, particularly reversed PE techniques that utilize images acquired in reversed PE directions to deduce the susceptibility-induced displacement field. While many non-learning methods exist for the reversed PE approach, they are relatively time consuming and require instance-specific optimization. Only a few recent works have explored the benefits of employing deep learning to speed up the reversed PE approach. These methods rely on unwarping correction with a predicted displacement field that maximizes image similarity. This thesis proposes a deep unsupervised Forward-Distortion Network (FD-Net) for correcting susceptibility artifacts. FD-Net speeds up the correction while explicitly constraining measurement fidelity for enhanced correction performance. This technique employs an encoder-decoder architecture to predict the field as well as the corrected image from the input reversed PE images. Using the field to forward-distort the predicted image in both PE directions should explain the input reversed PE images, thereby enforcing consistency to input data. This forward-distortion approach relies on matrix operations and is computationally efficient. Two different multiresolution strategies are considered: a multiscale strategy where earlier stages of the decoder produce lower resolution field and image predictions, and a multiblur strategy where the full resolution predictions are progressively blurred. Both strategies aim to boost performance by enforcing consistency across different scales and blurs, effectively speeding up convergence and circumventing local minima. In this thesis, variations of the multiresolution strategies are considered and the highest performing strategy in terms of quantitative image quality metrics is chosen. The performance of FD-Net is evaluated in comparison to two recent deep learning methods from the literature and a supervised baseline method based on FD-Net. A classical unwarping-based method is used as the gold standard reference. Extensive slice-wise, subject-wise, visual, and quantitative image quality assessments are performed. The results demonstrate that FD-Net surpasses the competing deep learning methods, and outperforms the supervised baseline in terms of predicted image quality, while maintaining robust field predictions. Hence, the forward-distortion model presents a better-conditioned problem for distortion correction when compared to unwarping-based approaches. This thesis concludes that FD-Net provides a novel paradigm for the susceptibility artifact correction problem that better constrains fidelity to the measurement data.
Benzer Tezler
- A deep learning method for quantitative susceptibility mapping singularity correction
Kantitatif manyetik duyarlılık haritalaması tekillik düzeltmesi için bir derin öğrenme yöntemi
ADEOLA OLUWASANJO ADEREMI
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
Prof. Dr. İBRAHİM ALPAY ÖZCAN
- 5G new radio millimeter-wave beam tracking using deep learning
Derin öğrenmeyi kullanarak 5G yeni radyo millimetre dalgalar ışın takibi
NAJIULLAH HAKIM
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ADNAN KAVAK
- Designing a smart security framework for software defined networks
Yazılım tanımlı ağlar için akıllı güvenlik çerçevesinin tasarlanması
HANİ ELUBEYD
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DERYA YILTAŞ KAPLAN
- Ses olay tespit problemine derin öğrenme tabanlı çözümler
Utilizing footstep sound event detection by using cnn techniques for assuring property security
FURKAN YUSUF YAVUZ
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NEJAT YUMUŞAK
- Domateste yaygın görülen hastalıkların derin öğrenme yöntemi ile sınıflandırılması
Classification of common diseases in tomatoes using deep learning methods
ADNAN MOHAMMAD ANWER SHAKARJI
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ADEM GÖLCÜK