Diffusion bridges for MRI reconstruction
MRG rekonstrüksiyonu için difüzyon köprüleri
- Tez No: 893671
- Danışmanlar: PROF. DR. TOLGA ÇUKUR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- 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: 86
Özet
Manyetik Rezonans Görüntüleme (MRG) yeniden yapılandırması tipik olarak, az örneklenmiş verileri tam örneklenmiş verilere dönüştürmek için bir çözümleme sürecini içerir. Bununla birlikte, geleneksel yayılma öncelikleri, Gauss gürültüsü durumundan başlayıp tam örneklenmiş verilerle biten, gürültü giderici bir dönüşüm gerçekleştirir. Birçok k-uzay örnekleme deseniyle ilişkili örtüşme yapay yapıları, beyaz Gauss gürültüsünden önemli ölçüde farklı olan uzamsal yapılara sahip olduğundan, bu gürültü giderme işlemi, yapay yapıların optimum düzeyde bastırılması nedeniyle yeniden yapılandırma hatalarına yol açabilir. Bu sınırlamanın üstesinden gelmek için, MRG yeniden yapılandırması için ilk Fourier kısıtlı difüzyon köprüsünü (FDB) sunuyoruz. Görevden bağımsız yayılma önceliklerinden farklı olarak FDB, az örneklenmiş verilerle başlayıp tam örneklenmiş verilerle biten bir çözümleme dönüşümü gerçekleştirmek için özel olarak tasarlanmıştır. Başlangıç noktası, rastgele seçilmiş, giderek artan uzaysal frekanslar kümesini ortadan kaldıran yeni bir stokastik bozunma operatörü kullanılarak yaratılır. Ağır derecede bozulmuş bir durumdan başlayan difüzyon önceliklerinin aksine, FDB, ters difüzyon örnekleme sürecini geliştirmek için orta derecede yetersiz örneklenmiş bir başlangıç noktası kullanır. Ayrıca, verileri başlangıç ve bitiş noktalarının ağırlıklı ortalamasına dayalı olarak bozan mevcut difüzyon köprülerinden farklı olarak FDB, hızlandırılmış MRG edinimlerinin doğasına daha yakın bir şekilde uyum sağlayarak k-uzayı noktalarının ikili olarak kaldırılmasını kullanır. Görüntü kalitesini daha da artırmak için FDB, öğrenilmiş bir düzeltme terimini temel alan yeni bir örnekleme algoritması kullanır ve ters difüzyon adımları sırasında geri kazanılan k-uzayı verilerinin tahminlerini sürekli olarak iyileştirerek yumuşak düzeltmeyi mümkün kılar. Beyin MRG testleri, FDB'nin rakip difüzyon olmayan öncelikleri 4,8 dB PSNR ve 11,8% SSIM ile difüzyon önceliklerini ise 4,7 dB PSNR ve 6,6% SSIM ile geride bıraktığını göstermektedir.
Özet (Çeviri)
Magnetic Resonance Imaging (MRI) reconstruction typically involves a dealiasing process to transform undersampled data into fully-sampled data. However, conventional diffusion priors perform a denoising transformation, starting from a state of Gaussian noise and ending with fully-sampled data. Since the aliasing artifacts associated with many k-space sampling patterns have spatial structures that differ significantly from white Gaussian noise, this denoising process can lead to reconstruction errors due to suboptimal suppression of artifacts. To overcome this limitation, we introduce the first Fourier-constrained diffusion bridge (FDB) for MRI reconstruction. Unlike task-agnostic diffusion priors, the FDB is specifically designed to perform a dealiasing transformation, starting with undersampled data and ending with fully-sampled data. The starting point is created using a novel stochastic degradation operator that removes a randomly selected, progressively increasing set of spatial frequencies. Unlike diffusion priors that start from a heavily degraded state, the FDB uses a moderately undersampled starting point to enhance the reverse diffusion sampling process. Furthermore, unlike existing diffusion bridges that degrade data based on a weighted average of the start and end points, the FDB uses a binary removal of k-space points, aligning more closely with the nature of accelerated MRI acquisitions. To further enhance image quality, the FDB employs a novel sampling algorithm based on a learned correction term, enabling soft dealiasing by continuously refining estimates of the recovered k-space data during reverse diffusion steps. Tests on brain MRI show that the FDB outperforms competing non-diffusion priors by 4.8 dB PSNR and 11.8% SSIM, and diffusion priors by 4.7 dB PSNR and 6.6% SSIM.
Benzer Tezler
- Assessment of local muscle deformations using multi-modal imaging and finite element modeling
Lokal kas deformasyonlarının çoklu modalite görüntüleme ve sonlu elemanlar modelleme ile değerlendirmesi
ULUÇ PAMUK
Doktora
İngilizce
2019
Mühendislik BilimleriBoğaziçi ÜniversitesiBiyomedikal Ana Bilim Dalı
PROF. DR. CAN ALİ YÜCESOY
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Sermayenin sosyal doğası, sosyal sermaye ve bireysel çıkar: Muğla sermaye grupları örneği
The social nature of capital, social capital and self-interest: The case of Muğla capital groups
MUSTAFA İNCİ
- Kimyasal modifikasyon uygulanmış keman köprülerinin kemanın akustik frekansları üzerindeki etkileri
The effect of chemical modification bridges on acoustic frequencies of the violin
OLGUN KURT
Yüksek Lisans
Türkçe
2022
Ağaç İşleriİzmir Katip Çelebi ÜniversitesiOrman Endüstri Mühendisliği Ana Bilim Dalı
PROF. DR. NİLGÜL ÇETİN
- Non-destructive assessment methods for state of deterioration and consolidation treatments of historical timber bridges
Tarihi ahşap köprülerin hasar durumları ve sağlamlaştırma uygulamalarının tahribatsız yöntemler kullanılarak değerlendirilmesi
SÜHEYLA YILMAZ
Doktora
İngilizce
2023
ArkeometriOrta Doğu Teknik ÜniversitesiArkeometri Ana Bilim Dalı
DOÇ. DR. AYŞE TAVUKÇUOĞLU
PROF. DR. EMİNE N. CANER SALTIK