Learning-based reconstruction methods for magnetic particle imaging
Manyetik parçacık görüntüleme için öğrenme tabanlı geriçatım teknikleri
- Tez No: 776456
- Danışmanlar: DOÇ. DR. TOLGA ÇUKUR
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- 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: 116
Özet
Manyetik parçacık görüntüleme (MPG), manyetik nanoparçacıkların (MNP) yüksek çözünürlük, kontrast ve kare hızı ile görüntülenmesi için yeni bir yöntemdir. Manyetik parçacık Manyetik parçacık Görüntü geriçatımı için genellikle uzun zaman alan bir kalibrasyon taraması sonucu elde edilen sistem matrisinin (SM) kullanıldığı bir tersine problem söz konusudur.Önceki kalibrasyon yöntemleri, istenen çözünürlükle eşleşen bir boyutta doldurulmuş bir MNP örneğiyle görüş alanının taranmasını içerir. Hem sistem hem de MNP ölçümündeki ideal olmayan durumları içeren bu zaman alıcı kalibrasyon taraması, pratik kullanımını engelleyen kritik bir faktördür. Buna ek olarak, oluşturulan görüntülerin kalitesi, tersine problem kötü konumlanmış olduğu için büyük ölçüde MNP dağılımı hakkındaki önsel bilgilere ve spesifik geriçatım algoritmasına bağlıdır. Önceki yaklaşımlar genellikle yinelemeli olarak görüntüyü tahmin ederken veri tutarlılığını zorlayan ölçüm modeline dayalı bir optimizasyon problemini çözer. Ancak, geleneksel elle tasarlanmış önseller, MPG görüntülerinin altında yatan karmaşık özellikleri tam olarak yakalayamazken, son zamanlarda önerilen öğrenilmiş önseller, sınırlı genelleme performansından muzdariptir. Bu sorunlara çözüm olarak, öncelikle hızlandırılmış MPG kalibrasyonu için derin öğrenmeye dayalı bir teknik öneriyoruz. Teknik, yüksek sinyal gürültü oranına (SGO) sahip SM'lerin hızlandırılmış kalibrasyonu için, dönüştürücüler tabanlı SM süper çözünürlüğüne (TranSMS) dayanır. SGO verimliliği için, daha büyük MNP örnek boyutuna sahip düşük çözünürlüklü bir SM'nin taranması önerilmektedir. İyileştirilmiş SM kestirimi için, TranSMS global bağlamsal bilgileri görüntü dönüştürücüsü yoluyla yakalarken, yerel yüksek çözünürlüklü öznitelikler için evrişimsel modül kullanır. Son olarak, önerilen bir veri tutarlılığı modülü, ölçüm bağımlılığını sağlar.TranSMS'in diğer tekniklere kıyasla hem SM kestirimi hem de müteakip görüntü geriçatımı performansını ciddi seviyede iyileştirdiği gösterilmiştir.Ardından, görüntü geriçatım kalitesini iyileştirmek amacıyla, MPG için öğrenilmiş veri tutarlılığı bloğu kullanan yeni bir fizik güdümlü derin denge tabanlı teknik önerilmektedir (DEQ-MPI). DEQ-MPI, görüntü istatistiklerinin daha iyi modellenmesi için derin operatörleri yinelemeli optimizasyon prosedürlerine yerleştirir. Ayrıca DEQ-MPI, genel görüntü geriçatım performansını iyileştirmeye yardımcı olan veri istatistiklerini daha iyi yakalamak için öğrenilmiş veri tutarlılığını kullanır. Son olarak, önceki yinelemenin-açılması tabanlı tekniklere kıyasla DEQ-MPI, yakınsanmış çıktı üzerinde eğitimi sağlayan kapalı fonksiyon katmanlardan yararlanır. Hem benzetim hem de deneysel veriler üzerindeki gösterimler, DEQ-MPI'nin, el yapımı veya öğrenilmiş önsellere dayalı tekniklere kıyasla görüntü kalitesini ve geriçatım süresini önemli ölçüde iyileştirdiğini göstermektedir.
Özet (Çeviri)
Magnetic particle imaging (MPI) is a novel modality for imaging of magnetic nanoparticles (MNP) with high resolution, contrast and frame rate. An inverse problem is usually cased for reconstruction, which requires a time-consuming calibration scan for measuring a system matrix (SM). Previous calibration procedures involve scanning an MNP filled sample with a size that matches desired resolution through field of view. This time-consuming calibration scan which accounts for both system and MNP response imperfections is a critical factor prohibiting its practical use. Moreover, the quality of the reconstructed images heavily depend on the prior information about the MNP distribution as well as the specific reconstruction algorithm, since the inverse problem is highly ill-posed. Previous approaches commonly solve an optimization problem based on the measurement model that iteratively estimates the image while enforcing data consistency in an interleaved fashion. However, while conventional hand-crated priors do not fully capture the underlying complex features of MPI images, recently proposed learned priors suffer from limited generalization performance. To tackle these issues, we first propose a deep learning based technique for accelerated MPI calibration. The technique utilizes transformers for SM super-resolution (TranSMS) for accelerated calibration of SMs with high signal-to-noise-ratio. For signal-to-noise-ratio efficiency, we propose scanning a low resolution SM with larger MNP sample size. For improved SM estimation, TranSMS leverages the vision transformer to capture global contextual information while utilizing the convolutional module for local high-resolution features. Finally, a novel data-consistency module enforces measurement fidelity. TranSMS is shown to outperform competing methods significantly in terms of both SM recovery and image reconstruction performance. Next, to improve image reconstruction quality, we propose a novel physics-driven deep equilibrium based technique with learned consistency block for MPI (DEQ-MPI). DEQ-MPI embeds deep network operators into iterative optimization procedures for improved modeling of image statistics. Moreover, DEQ-MPI utilizes learned consistency to better capture the data statistics which helps improve the overall image reconstruction performance. Finally, compared to previous unrolling-based techniques, DEQ-MPI leverages implicit layers which enables training on the converged output. Demonstrations on both simulated and experimental data show that DEQ-MPI significantly improves image quality and reconstruction time over state-of-the-art reconstructions based on hand-crafted or learned priors.
Benzer Tezler
- Parameter robustness analysis of system function reconstruction and a novel deblurring network for magnetic particle imaging
Sistem fonksiyonu geriçatımı için parametre gürbüzlük analizi ve manyetik parçacık görüntüleme için özgün bir netleştirme ağı
ABDULLAH ÖMER AROL
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMİNE ÜLKÜ SARITAŞ ÇUKUR
DOÇ. DR. TOLGA ÇUKUR
- Görüntü işlemede derin öğrenme tabanlı süper çözünürlük uygulamaları
Deep learning based super resolution applications in image processing
AHENK VURAL
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Compressive sensing methods for multi-contrast magnetic resonance imaging
Manyetik rezonans görüntüleme için sıkıştırılmış algılama yöntemleri
ALPER GÜNGÖR
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATOŞ TUNAY YARMAN VURAL
YRD. DOÇ. DR. TOLGA ÇUKUR
- Güvenlik kameralarındaki yüz görüntülerinin süper çözünürlüklenetleştirilmesi
Face enhancement in surveillance systems using super-resolutiontechniques
ALİ HÜSAMEDDİN ATEŞ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN ESKİ
- Image reconstruction with deep learning and applications in MR images
Derin öğrenme ile görüntü geriçatımı ve MR görüntülerinde uygulamaları
AMIR AGHABIGLOU
Doktora
İngilizce
2022
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU