Segmentation informed deep learning algorithms for cardiac MRI reconstruction
Kardiyak MRG rekonstrüksiyonu için bölütleme bilgisiyle desteklenen derin öğrenme algoritmaları
- Tez No: 830393
- Danışmanlar: DOÇ. DR. TOLGA ÇUKUR
- Tez Türü: Yüksek Lisans
- 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-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 76
Özet
Derin öğrenme yöntemleri, az örneklenmiş sinyal uzayından hızlandırılmış manyetik rezonans görüntüleme (MRG) rekonstrüksiyonunda etkileyici sonuçlar üretmiştir. Ancak, mevcut MRG rekonstrüksiyon modelleri, alan içindeki ayrı ayrı voksellerden katkıları homojen bir şekilde değerlendiren hata fonksiyonlarıyla yaygın olarak eğitilir ve alan içindeki göreli olarak önemli bölgelere odaklanmazlar. Ayrıca, model eğitimi için yaygın olarak kullanılan ortak sistemler, ağ çıktısı için bir referans oluşturmak için tam örneklenmiş büyük MRG veri kümesinin bulunabilirliğine dayanır. Bu bağımlılık, birçok uygulamada büyük veri kümelerini toplamanın zor olması nedeniyle istenmeyen bir durumdur ve yüksek uzamsal-zamansal çözünürlük protokolleri için çoğu zaman imkansızdır. Bu tezde, öncelikle dinamik kalp MRG için öz denetimli öğrenme yöntemini tanıtarak ağı, tam örneklenmiş veri olmadan rekonstrüksiyon yapacak şekilde eğitiyoruz. Daha sonra, rekonstrüksiyon sürecini bölümleme hata sinyaliyle tanı için önemli bölge etrafında yönlendiren bir rekonstrüksiyon sistemi tanıtıyoruz. Son olarak, odaklanma bölgelerine yönelik olarak mekansal bilgiyi açıkça taşıyan bir dikkat yeteneği ile güçlendirilmiş bir rekonstrüksiyon sistemi olan RAT-Net'i tanıtıyoruz. öz denetime dayalı öğrenme, tam örneklenmiş verilere olan fazla talebi azaltırken, bölümleme bilinçli rekonstrüksiyon sistemi, mekansal bilgi sinyalini rekonstrüksiyon ağına geri yayar. Son olarak, RATNet, rekonstrüksiyonda mekansal bilgi ağı tarafından sağlanan odaklanma bilgisine duyarlı olan dikkat katmanlarını içerir. Sonuç olarak kardiak MRG'de az örneklenmiş alımlardan tam örneklenmiş görüntülerin geri kazanılmasını gösteriyor ve tıbbi görüntü rekonstrüksiyonunda en üstün performanslarını sergiliyoruz
Özet (Çeviri)
Deep learning methods have produced impressive results in accelerated magnetic resonance imaging (MRI) reconstruction from under-sampled k-space acquisitions. However, existing MRI reconstruction models are commonly trained with loss functions that uniformly weigh contributions from separate voxels across the field-of-view (FOV), without attributing focus on relatively important regions within the FOV. Furthermore common frameworks for model training rely on availability of large sets of fully-sampled MRI data to construct a ground-truth for the network output. This heavy reliance is undesirable as it is challenging to collect such large datasets in many applications, and even impossible for high spatiotemporal-resolution protocols. In this thesis, we first introduce a self-supervised learning methodology for dynamic cardiac MRI that trains the network to reconstruct acquisitions in the absence of fully-sampled data. We then introduce a segmentation-aware reconstruction framework which implicitly guides the reconstruction process around an ROI with the segmentation error signal. Lastly, we introduce RATNet, a reconstruction framework augmented with attention capabilities which explicitly carries spatial information into the reconstruction process to focus around regions of interest. Self-supervision reduces the excessive demand on fully-sampled data whereas the segmentation-aware reconstruction framework backpropagates the spatial information signal in to the reconstruction network. Lastly, RATNet incorporates the attention layers into reconstruction which are sensitive to focusing information supplied by the spatial information network. We demonstrate recovering fully-sampled images from under-sampled acquisitions in cardiac MRI and show their state-of-the-art performance in medical image reconstruction.
Benzer Tezler
- Ağ trafiği tahmininde makine öğrenmesi algoritmalarının karşılaştırmalı analizi
A comparative analysis of machine learning algorithms on network traffic forecasting
BUSE DİLAN USLAN
Yüksek Lisans
Türkçe
2025
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Derin öğrenme yöntemiyle semantik sınıflandırılmış nokta bulutu verisinin yapı bilgi modeli haline getirilmesi
Creation of bim model from semantically segmented point cloud via deep learning
BERK TARİHMEN
Yüksek Lisans
Türkçe
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. HANDE DEMİREL
- Development of a deep learning assisted webgis framework for updating building databases
Bina veritabanlarının güncellenmesi için derin öğrenme destekli webcbs çatısı geliştirilmesi
RECEP CAN
Yüksek Lisans
İngilizce
2022
Jeodezi ve FotogrametriHacettepe ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ ÖZGÜN OK
- Havayolu yolculuk deneyimini iyileştirmek için makine öğrenmesi yöntemleriyle uçuş gecikmesi tahmini
Machine learning techniques for enhancing airline passenger experience through flight delay prediction
ESMA ERGÜN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SÜHA TUNA
- U-net ve sam entegrasyonu ile meme mr görüntülerinde tümör segmentasyonu ve morfolojik işlemlerle takibi
Breast mri tumor segmentation using U-net and sam integration with morphological tracking methods
ALPTUĞ ŞEREF AYYILDIZ
Yüksek Lisans
Türkçe
2025
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN