Deep learning for multi-contrast MRI synthesis
Çoklu kontrast MRG için derin öğrenme
- Tez No: 685389
- Danışmanlar: DOÇ. DR. TOLGA ÇUKUR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- 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: Belirtilmemiş.
Özet
Manyetik rezonans görüntüleme (MRG), farklı doku kontrastları altında görüntü elde etmek için benzersiz çok yönlülüğe sahiptir. Çoklu kontrast görüntüler, dokuları daha iyi betimler, tanı bilgisini artırır ve radyolojik analizleri geliştirir. Yine de, çoklu kontrast protokollerine özgü uzun süreli, maliyetli muayeneler çeşitliliği bozabilir ve bazı kontrastlardan eksik görüntülere neden olur. Buna karşı umut verici bir çözüm, mevcut kaynak kontrast görüntülerinden eksik hedef kontrast görüntülerini kurtaran görüntü sentezi olarak ortaya çıkmaktadır. Öğrenmeye dayalı modeller, en zorlu ters problemleri bile çözmedeki hünerlerinden dolayı bu haritalamada büyük bir başarı göstermiştir. Sentetik MRG için önerilen temel yaklaşımlar, bire bir veya çoktan bire haritalama gerçekleştirmek için model eğitimine tabi tutulmaktadırlar. Bire bir modeller, verilen kaynağın ayrıntılı özelliklerine karşı yüksek hassasiyet gösterir, ancak kaynak-hedef görüntüler zayıf bir şekilde bağlantılı olduğunda yetersiz kalabilirler. Çoktan bire muadilleri ise birden fazla kaynaktan bilgi toplar, ancak bu belirli kontrastlarda benzersiz bir şekilde bulunan ayrıntılı özelliklerin kaybına yol açar. Ayrıca, haritalamadan bağımsız olarak, her ikisi de yüksek kaliteli Nyquist örneklenmiş edinimlerden geri çatılmış kaynak ve hedef görüntülerinden oluşan büyük eğitim setleri talep ederler. Fakat, zaman ve maliyet hususları, bu tür veri kümelerinin derlenmesinde önemli zorluklar ortaya çıkarmaktadır. Bu sınırlamaları çözmek için, burada ilk önce, bire bir akışlardan ve çoktan bire akıştan oluşan bir hibrit ile, benzersiz ve ortak görüntü özelliklerini göreve uyarlanabilir bir şekilde birleştiren yeni bir model önerilmiştir. Ardından, derin öğrenmenin istenmeyen veri gereksinimlerini aşarak, alt örneklenmiş edinimlerden oluşan eğitim veri kümesinden yüksek kaliteli görüntü sentezini öğrenmek için seçici tensör kaybı yitimlerine dayanan yeni bir yarı denetimli öğrenme yöntemi sunulmuştur. Sağlıklı deneklerden ve hastalardan alınan beyin MRG görüntüleri üzerinde yapılan deneyler, önerilen yaklaşımların en gelişmiş temel yöntemlere göre üstünlüğünü göstermektedir.
Özet (Çeviri)
Magnetic resonance imaging (MRI) possesses the unique versatility to acquire images under a diverse array of distinct tissue contrasts. Multi-contrast images, in turn, better delineate tissues, accumulate diagnostic information, and enhance radiological analyses. Yet, prolonged, costly exams native to multi-contrast protocols often impair the diversity, resulting in missing images from some contrasts. A promising remedy against this limitation arises as image synthesis that recovers missing target contrast images from available source contrast images. Learning-based models demonstrated remarkable success in this source-to-target mapping due to their prowess in solving even the most demanding inverse problems. Mainstream approaches proposed for synthetic MRI were typically subjected to a model training to perform either one-to-one or many-to-one mapping. One-to-one models manifest elevated sensitivity to detailed features of the given source, but they perform suboptimally when source-target images are poorly linked. Meanwhile, many-to-one counterparts pool information from multiple sources, yet this comes at the expense of losing detailed features uniquely present in certain sources. Furthermore, regardless of the mapping, they both innately demand large training sets of high-quality source and target images Fourier-reconstructed from Nyquist-sampled acquisitions. However, time and cost considerations put significant challenges in compiling such datasets. To address these limitations, here we first propose a novel multi-stream model that task-adaptively fuses unique and shared image features from a hybrid of multiple one-to-one streams and a single many-to-one stream. We then introduce a novel semi-supervised learning framework based on selective tensor loss functions to learn high-quality image synthesis directly from a training dataset of undersampled acquisitions, bypassing the undesirable data requirements of deep learning. Demonstrations on brain MRI images from healthy subjects and glioma patients indicate the superiority of the proposed approaches against state-of-the-art baselines.
Benzer Tezler
- Novel deep learning algorithms for multi-modal medical image synthesis
Çok-kipli tıbbi görüntü sentezi için yeni derin öğrenme algoritmaları
ONAT DALMAZ
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA ÇUKUR
- Deep learning for accelerated MR imaging
Başlık çevirisi yok
SALMAN UL HASSAN DAR
Doktora
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA ÇUKUR
- Selectıve state space modelıng for multı-modal medıcal ımage synthesıs
Çoklu kip tıbbi görüntü sentezi için seçici durum uzayı modellemesi
ÖMER FARUK ATLI
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. TOLGA ÇUKUR
- Beyin tümörü segmentasyonu için yeni bir üç boyutlu U-Net tabanlı derin öğrenme mimarisi
A novel three-dimensional U-Net based deep learning architecture for brain tumor segmentation
AYŞE BAŞTUĞ KOÇ
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- Renal hücreli karsinomun otomatik derece sınıflandırması için U-net tabanlı derin öğrenme ağı
U-net based deep learning network for automatic grade classification of renal cell carcinoma
SÜEDA KAYA
Yüksek Lisans
Türkçe
2025
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜRVET KIRCI