Physics-driven deep learning for medical image reconstruction
Tıbbi görüntü geriçatımı için fizik tabanlı derin öğrenme
- Tez No: 963461
- Danışmanlar: PROF. DR. TOLGA ÇUKUR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- 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: 88
Özet
Az örneklenmiş ölçümlerden elde edilen tıbbi görüntülerin geriçatımı, ölçüm ve görüntü uzayları arasında bağlantı kuran görüntüleme operatörünün terslenmesini içeren kötü konulmuş bir problemdir. Fizik tabanlı (PD) modeller, başarılı performansları ve genelleme kabiliyetlerinden dolayı görüntü geriçatımı görevlerinde öne çıkmaktadır. Bu modeller genellikle veri tutarlılığı mekanizmalarını öğrenilmiş sinir ağı modülleriyle birleştirerek, veri uyumluluğunu ve artefakt bastırmayı birlikte sağlar. Artefakt bastırma, yapay sinir ağının gerçek doku sinyallerini artefaktlardan ayırma yeteneğine bağlıdır ve her ikisi de farklı uzamsal ölçeklerde bağlama dayalı yapılar sergileyebilir. Konvolüsyonel sinir ağları (CNN), lokal korelasyonları yakalamada güçlüdür; ancak uzamsal olarak uzak bağlamlara karşı nispeten duyarsızdır. Dönüştürücüler (transformer) bu sınırlamayı aşma potansiyeli taşısa da, pratikteki uygulamalar çoğunlukla lokal ve lokal olmayan duyarlılığı dengeleyerek hesaplama maliyetini azaltma yönünde tasarım ödünleri içerir; bu da bazen CNN'lerin dengi ya da gerisinde bir performans ile sonuçlanır. Bu çalışmada tıbbi görüntü geriçatımı için, yüksek hesaplama karmaşıklığına yol açmadan bağlamsal duyarlılığı artırmak amacıyla, yeni bir fizik tabanlı otoregresif durum-uzay modeli olan MambaRoll önerilmektedir. MambaRoll'un açılmış mimarisinin her kademesinde, belirli bir uzamsal ölçekte bağlama dayalı özellikleri verimli şekilde toplamak ve daha detaylı ölçekteki özellik haritalarını daha kaba ölçekli özelliklere koşullu olarak otoregresif biçimde tahmin ederek çok ölçekli bağlamı yakalamak amacıyla fizik tabanlı bir durum-uzay modülü (PD-SSM) kullanılır. Ölçekler arası öğrenme, otoregresif tahmin görevine özel olarak tasarlanmış derin çok ölçekli çözümleme (DMSD) kayıp fonksiyonu ile pekiştirilmiştir. Hızlandırılmış MRI ve seyrek projeksiyonlu BT geriçatımında yapılan deneyler, MambaRoll'un CNN, dönüştürücü ve SSM kullanan, veri tabanlı ve fizik tabanlı güncel yöntemlerden tutarlı olarak daha üstün performanslı olduğunu göstermektedir.
Özet (Çeviri)
Medical image reconstruction from undersampled acquisitions is an ill-posed problem involving inversion of the imaging operator linking measurement and image domains. Physics-driven (PD) models have gained prominence in reconstruction tasks due to their desirable performance and generalization. These models jointly promote data fidelity and artifact suppression, typically by combining data-consistency mechanisms with learned network modules. Artifact suppression depends on the network's ability to disentangle artifacts from true tissue signals, both of which can exhibit contextual structure across diverse spatial scales. Convolutional neural networks (CNNs) are strong in capturing local correlations, albeit relatively insensitive to non-local context. While transformers promise to alleviate this limitation, practical implementations frequently involve design compromises to reduce computational cost by balancing local and non-local sensitivity, occasionally resulting in performance comparable to or trailing that of CNNs. To enhance contextual sensitivity without incurring high complexity, we introduce a novel physics-driven autoregressive state-space model (MambaRoll) for medical image reconstruction. In each cascade of its unrolled architecture, MambaRoll employs a physics-driven state-space module (PD-SSM) to aggregate contextual features efficiently at a given spatial scale, and autoregressively predicts finer-scale feature maps conditioned on coarser-scale features to capture multi-scale context. Learning across scales is further enhanced via a deep multi-scale decoding (DMSD) loss tailored to the autoregressive prediction task. Demonstrations on accelerated MRI and sparse-view CT reconstructions show that MambaRoll consistently outperforms state-of-the-art data-driven and physics-driven methods based on CNN, transformer, and SSM backbones.
Benzer Tezler
- Deep photonic networks with arbitrary and broadband functionality
Rastgele ve geniş bantlı ışlevselliğe sahip derin fotonik ağlar
ALI NAJJAR AMIRI
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMİR SALİH MAĞDEN
- Learning-based reconstruction methods for magnetic particle imaging
Manyetik parçacık görüntüleme için öğrenme tabanlı geriçatım teknikleri
ALPER GÜNGÖR
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA ÇUKUR
- Digital-twin flight modelling through machine learning for trajectory error estimation and recovery
Rota hesaplamalarında makine öğrenmesi tabanlı dijital ikiz uçuş modeli
MEVLÜT UZUN
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. GÖKHAN İNALHAN
DR. MUSTAFA UMUT DEMİREZEN
- Cloud-based diagnosis of refrigerant leakage fault of chiller using virtual sensor residuals assisted XGBoost algorithm
Soğutma sistemlerinin soğutucu akışkan sızıntısı arızasının sanal sensör farkı destekli XGBoost algoritması ile bulut tabanlı tespiti
BURKAY ANDUV
Yüksek Lisans
İngilizce
2022
Fizik ve Fizik MühendisliğiShanghai Jlao Tong UniversityMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZHIMIN DU
- Derin öğrenme algoritmaları kullanarak öğrenci akademik performansının erken tahmini
Early prediction of student academic performance using deep learning algorithms
AHMET KALA
Doktora
Türkçe
2025
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ORHAN TORKUL
DR. ÖĞR. ÜYESİ TUĞBA YILDIZ