Advanced MRI reconstruction and detection techniques for meniscal tear diagnosis at high acceleration factors
Yüksek hızlandırma faktörlerinde menisküs yırtığı teşhisi için gelişmiş manyetik rezonans görüntüleme (MRG) geriçatım ve tespit teknikleri
- Tez No: 851496
- Danışmanlar: PROF. DR. MUSTAFA ALPER SELVER
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Radyoloji ve Nükleer Tıp, Electrical and Electronics Engineering, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 184
Özet
Manyetik Rezonans Görüntüleme (MRG), yumuşak dokuların kontrastlı bir şekilde görüntülenmesini sağlayan ve invazif olmayan önemli bir tanı aracıdır. Ancak MRG'de veri toplama sürecinin yavaşlığı, hastalar için uzun bekleme sürelerine neden olmakta, görüntü kalitesini etkilemekte ve iş yükünü artırmaktadır. Bu sorunu çözerek MRG taramalarının hızlandırılması amacıyla k-uzayında veri eksiltme (seyrek örnekleme) sonrası çeşitli algoritmalar kullanılarak görüntü geriçatma alanında kapsamlı araştırmalar yapılmıştır. Bu tez, hızlandırılmış (seyrek / eksik örneklenmiş) MRG alanında derin öğrenme (DÖ) yöntemlerinin geriçatma ve saptama alanlarında kullanımını araştırmaktadır. İlk olarak, MRG görüntü geriçatımı için derin sinir ağlarında topluluk yöntemleri, FastMRI veri seti üzerinde incelenmiştir. Farklı modeller ve eğitilmeyen topluluk birleştiricilerin kullanıldığı bu kapsamlı değerlendirmede, topluluk modellerinin PSNR, SSIM, MSE ve NMSE gibi değerlendirme metrikleri açısından temel modellere göre belirgin bir üstünlük gösterdiği görülmüştür. Derin öğrenme yöntemleri yüksek hızlanma faktörlerinde dikkate değer bir geriçatım kalitesi sağlarken, klinik açıdan önemli detaylar, geriçatma sürecinde kısmen görünme veya kaybolma eğilimindedir. Bu sorun ele alınarak, hızlandırılmış diz MRG görüntülerinde DÖ ile tespit edilen menisküs yırtıklarına odaklanılmıştır. Analizler, özellikle derin öğrenme kullanılarak geriçatım kalitesiyle ilgili zorlukları vurgulamakta, halüsinasyonlar ve yanlış pozitif artefaktlar gibi sorunlara işaret etmektedir. Tez kapsamında, FastMRI+ veri setinde, menisküs yırtıklarını tespit etmek için derin öğrenme tabanlı geriçatma ve saptamayı birleştiren yenilikçi bir yaklaşım önerilmiş ve bu yöntemin klinik etkinliği incelenmiştir. Bu çalışmaya ek olarak, kör ve kör olmayan uzmanlar tarafından yapılan değerlendirmeleri içeren kapsamlı bir analiz sunulmuştur. Kör çalışmada, uzman radyolog, hızlandırma seviyeleri veya uygulanan geriçatım yöntemleri hakkında önceden bilgi sahibi olmadan menisküs yırtıklarını etiketlemiştir. Diğer taraftan, kör olmayan çalışma, belirli hızlandırma faktörleri ve geriçatım modelleri dikkate alınarak yeniden oluşturulan görüntüleri değerlendirmiştir. Bu değerlendirme, önerilen derin öğrenme geriçatım ve tespit sisteminin klinik uygulanabilirliği ve güvenilirliği hakkındaki geri bildirimi artıran sonuçlar üretmiştir. Sonuç olarak, bu çalışma, MRG alanında DÖ yöntemlerinin henüz tam olarak analiz edilmemiş özelliklerini ortaya koymaktadır. Özellikle k-uzayı verileri ve DÖ ile elde edilen geriçatım sonuçlarını kullanarak, menisküs yırtıklarının doğru sınıflandırılmasında kapsamlı bir değerlendirme sağlamaktadır. Bu değerlendirme, çeşitli metriklerde üstün performans gösterirken, aynı zamanda farklı derin öğrenme geriçatım modelleri ve hızlanma oranlarındaki görüntü kalitesi ile sınıflandırıcı performansı arasındaki geleneksel varsayımları sorgulayarak yeni bir bakış açısı sunmaktadır.
Özet (Çeviri)
Magnetic Resonance Imaging (MRI) is a non-invasive diagnostic method that allows contrast-enhanced imaging of soft tissues. However, the slow data acquisition process in MRI leads to long waiting times for patients. To address this issue and accelerate MRI scans, extensive research has been conducted in the field of image reconstruction using various algorithms after data reduction (undersampling) in k-space. This study explores various applications of deep learning (DL) methods in the field of MRI. Initially, ensemble methods in deep neural networks for MRI image reconstruction were investigated using the FastMRI dataset. In this comprehensive evaluation employing different models and non-trainable ensemble combiners, ensemble models demonstrated a significant advantage over baseline models in evaluation metrics such as PSNR, SSIM, MSE, and NMSE. Although deep learning methods provide notable reconstruction quality at high acceleration factors, clinically important details tend to be partially visible or lost during the reconstruction process. Addressing this issue, our study examines meniscus tears detected using DL in accelerated knee MRI images. Our analysis highlights challenges related to deep learning reconstruction quality, pointing out issues such as hallucinations and false positive artifacts. We propose an innovative approach combining deep learning reconstruction and detection for meniscus tear detection in the FastMRI + data set, highlighting the clinical effectiveness of this method. Furthermore, our study presents a comprehensive analysis involving evaluations by blind and non-blind experts. In the blind study, an expert radiologist labels meniscus tears without prior knowledge of acceleration levels or applied reconstruction methods. Conversely, the non-blind study evaluates reconstructed images considering specific acceleration factors and reconstruction models. This evaluation enhances understanding of the clinical applicability and reliability of the proposed deep learning reconstruction and detection system. In conclusion, this study reveals the yet-to-be-fully-explored potential of DL methods in the MRI domain. Particularly, it provides a comprehensive evaluation of accurate classification of meniscus tears using k-space data and DL-generated reconstruction results. While demonstrating superior performance across various metrics, this evaluation also challenges traditional assumptions regarding image quality and classifier performance at different DL reconstruction models and acceleration rates, offering valuable insights.
Benzer Tezler
- 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
- 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
- Optimization and machine learning in MRI: Applications in rapid mr image reconstruction and encoding models of cortical representations
MRG'de optimizasyon ve makine öğrenimi: Hızlı mr görüntü rekonstrüksiyonu vebeyindeki temsillerin kodlama modellerine uygulanışı
MOHAMMAD SHAHDLOO
Doktora
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA ÇUKUR
- İki boyutlu sıralı tarama verilerinin işlenmesi ile elde edilen mekanik modellerdeki farklılıkların görüntü işlem prosedürleri kapsamında incelenmesi
Investigation of differences in mechanical models obtained by processing of 2d serial scanning data in the scope of image processing procedures
FİLİZ ALTINTAŞ
Yüksek Lisans
Türkçe
2013
BiyomühendislikCelal Bayar Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. B. GÜLTEKİN SINIR
- Advanced computational tools for real-time MR imaging
Gerçek zamanlı MR görüntüleme için gelişmiş yazılım araçları
HARİS SAYBAŞILI
Doktora
İngilizce
2009
Mühendislik BilimleriBoğaziçi ÜniversitesiDOÇ. DR. CENGİZHAN ÖZTÜRK
PROF. DR. AHMET ADEMOĞLU