A deep learning method for quantitative susceptibility mapping singularity correction
Kantitatif manyetik duyarlılık haritalaması tekillik düzeltmesi için bir derin öğrenme yöntemi
- Tez No: 967592
- Danışmanlar: Prof. Dr. İBRAHİM ALPAY ÖZCAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 73
Özet
Beyin duyarlılık haritaları, Alzheimer hastalığı, Parkinson hastalığı ve Multipl Skleroz gibi nörodejeneratif hastalıkların ilerleyişini incelemek için klinik olarak kullanılmaktadır. Bu haritaların elde edilme yollarından biri, Kantitatif Duyarlılık Haritalama (Quantitative Susceptibility Mapping, QSM) yöntemidir. QSM, MRI faz görüntülerinden duyarlılığı hesaplamayı amaçlayan bir ters problemdir. Bu mümkündür çünkü MRI faz görüntüsü, bir sabit katsayıya kadar, dipol çekirdek filtresi ile altta yatan duyarlılık dağılımının konvolüsyonudur. Bu, ters bir problemdir çünkü 3B dipol filtresi, Fourier uzayında sıfır değerler aldığından doğrudan tersine çevirme yapılamaz. Son zamanlarda, bu problemi çözmek için derin öğrenme tabanlı çözümler önerilmiştir. Bu çalışmada, sentetik olarak üretilmiş veriler kullanılarak QSM topluluğunda yaygın olarak kullanılan UNet derin öğrenme mimarisi incelenmiştir. Farklı bir mimari varyant kullanmanın, doğrulama ortalama mutlak hatasında %21'e varan azalma ile eğitim sürecinde daha hızlı yakınsamaya yol açtığını gözlemliyoruz. Ayrıca, QSM problemini Fourier uzayında iki alt probleme ayırarak çözen bir QSM yeniden yapılandırma yöntemi öneriyoruz. Dipol çekirdeğinin kararlı olduğu bölgelerde doğrudan bölme yöntemiyle duyarlılık değerlerini hesaplıyoruz. Çekirdeğin sıfır olduğu bölgelerde ise, doğru duyarlılık haritasını öğrenmesi için bir derin öğrenme modeli eğitiyoruz. Sonuç duyarlılık haritamız, bu iki haritanın birleştirilmesiyle elde edilmektedir. Yöntemimizin başarısını, oluşturulan bir test veri seti üzerinde test ederek gösteriyoruz. Ayrıca yaklaşımımız, bir QSM yarışmasındaki verilerle de test edilmiştir ve bu yarışmada test edilen diğer modellerle karşılaştırıldığında en iyi performansı göstermiştir.
Özet (Çeviri)
Brain susceptibility maps have been used clinically to study the progression of neurodegenerative diseases such as Alzheimer's disease, Parkinson's disease and Multiple Sclerosis. One way of obtaining these brain susceptibility maps is through Quantitative Susceptibility Mapping (QSM). QSM is an inverse problem that aims to calculate susceptibility from MRI phase images. This is possible because the MRI phase image is, up to a constant, a convolution of a dipole kernel filter with an underlying susceptibility distribution. The problem is an inverse problem because the 3D dipole filter has zeros in the Fourier domain, which means direct inversion is impossible. Recently, deep learning-based solutions have been proposed to solve this problem. In this work, using synthetically generated data, we first examine the UNet deep learning architecture which has been the default architecture in the QSM community. We note that using a different variant can speed up training convergence with up to a 21% reduction in validation mean absolute error. Furthermore, we propose a QSM reconstruction method that solves the QSM problem by dividing the problem into two parts in the Fourier domain. On the one hand, we solve for susceptibility values by direct division in the Fourier domain in regions where the dipole kernel is stable. On the other hand, for regions where the kernel is zero, we train a deep learning model to learn the correct susceptibility map. Our final map is obtained by merging these two maps. We show that our reconstruction method works by testing on a generated test set. Our approach was also tested using data from a QSM challenge. On this data, we achieved the top position when compared with the other models tested during that challenge.
Benzer Tezler
- A deep learning model for susceptibility artifact correction in Echo Planar Imaging
Eko Planar Görüntülemede duyarlılık artefaktı düzeltme için derin öğrenme modeli
ABDALLAH GHAZI FAISAL ZAID ALKILANI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. EMİNE ÜLKÜ SARITAŞ ÇUKUR
DOÇ. TOLGA ÇUKUR
- Enrichment of Turkish question answering systems using knowledge graphs
Türkçe soru cevaplama sistemlerinin bilgi çizgeleri ile zenginleştirilmesi
OKAN ÇİFTÇİ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji EnstitüsüBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELMA TEKİR
DR. ÖĞR. ÜYESİ FATİH SOYGAZİ
- Assessment of wrist rigidity in patients with Parkinson's disease: A new approach based on frequency analysis
Parkinson hastalarında bilek sertliğinin değerlendirilmesi: Frekans analizi üzerine yeni bir yaklaşım
GÜNAY ZÜNGÖR
Yüksek Lisans
İngilizce
2020
Makine MühendisliğiBoğaziçi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. EVREN SAMUR
PROF. DR. ÇETİN YILMAZ
- Probleme dayalı öğrenmenin öğretmen adaylarının fizik dersi başarısı, öğrenme yaklaşımları ve bilimsel süreç becerileri üzerindeki etkisi
The effect of problem based learning on pre-service teachers' physics course achievement, learning approaches and science process skills
PINAR ÇELİK
Doktora
Türkçe
2013
Eğitim ve ÖğretimDokuz Eylül ÜniversitesiOrtaöğretim Fen ve Matematik Alanları Eğitimi Ana Bilim Dalı
PROF. DR. İLHAN SILAY
- 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