Accelerating MR imaging using deep learning on spatial frequency data
1
3
Issued Date
2022
Copyright Date
2022
Resource Type
Language
eng
File Type
application/pdf
No. of Pages/File Size
xiv, 106 leaves
Access Rights
open access
Rights
ผลงานนี้เป็นลิขสิทธิ์ของมหาวิทยาลัยมหิดล ขอสงวนไว้สำหรับเพื่อการศึกษาเท่านั้น ต้องอ้างอิงแหล่งที่มา ห้ามดัดแปลงเนื้อหา และห้ามนำไปใช้เพื่อการค้า
Rights Holder(s)
Mahidol University
Bibliographic Citation
Thesis (Ph.D. (Computer Science))--Mahidol University, 2022)
Suggested Citation
Sarattha Karnjanapreechakorn Accelerating MR imaging using deep learning on spatial frequency data. Thesis (Ph.D. (Computer Science))--Mahidol University, 2022). Retrieved from: https://repository.li.mahidol.ac.th/handle/123456789/113912
Title
Accelerating MR imaging using deep learning on spatial frequency data
Alternative Title(s)
การเพิ่มความเร็วของการตรวจด้วยคลื่นแม่เหล็กไฟฟ้าด้วยวิธีการแบบการเรียนรู้เชิงลึกบนข้อมูลความถี่เชิงพื้นที่
Author(s)
Abstract
Since the invention of the MRI machine, slow signal acquisition has been a significant barrier to the MRI process in getting a high throughput. A parallel imaging technique is used to simultaneously reconstruct a final MR image after acquiring fewer raw data with multi-RF coils to overcome this problem. However, the parallel imaging still cannot accelerate enough to reduce the overall time significantly. Therefore, the deep convolution neural network is presented to reconstruct a high-quality MR image with higher acceleration factors in this research. The proposed Multi-Level Pooling Encoder-Decoder Network (MLPED Net) performs the reconstructions by encoding the acquired signals. Then the crucial part of the network, a Multi-Level Pooling module (MLP), is applied to filter irrelevant signals, followed by a decoder module to reconstruct the MR images. The proposed network can be trained end-to-end with a newly presented loss function, Dual-Domain Loss (DDL). The experimental results are based on the published fastMRI knee dataset and show that the proposed MLPED Net outperforms the competing methods for both 4- and 8-fold accelerations.
นับตั้งแต่มีการประดิษฐ์เครื่อง MRI ขึ้นมา กระบวนการรับสัญญาณที่ช้าเป็นอุปสรรคที่สำคัญที่สุดต่อการวินิจฉัยด้วยเครื่อง MRI จึงส่งผลให้มีปริมาณผู้ป่วยที่ได้รับการวินิจฉัยด้วยเครื่อง MRI น้อย เทคนิคการประมวลผลภาพแบบขนานจึงถูกนำมาใช้สำหรับการสร้างภาพ MR ขึ้นมาใหม่เพื่อแก้ปัญหาการรับสัญญาณที่ช้า โดยใช้คู่กับกระบวนการรับสัญญาณที่ใช้ข้อมูลดิบที่น้อยลงจากปกติที่ถูกรวบรวมผ่านระบบขดลวดความถี่วิทยุ แต่ถึงอย่างนั้นเทคนิคการประมวลผลภาพแบบขนานยังคงไม่สามารถลดเวลาการสร้างภาพ MR ได้อย่างมีนัยสำคัญ ดังนั้นในงานวิจัยนี้โครงข่ายประสาทเทียมแบบ Deep Convolution ถูกนำเสนอเพื่อสร้างภาพ MR คุณภาพสูงขึ้นใหม่หลังจากการเร่งความเร็วในกระบวนการรับสัญญาณที่สูงขึ้น โครงข่าย Multi-Level Pooling Encoder-Decoder Network (MLPED Net) ที่ถูกเสนอนั้นดำเนินการสร้างภาพ MR ขึ้นมาโดยการเข้ารหัสสัญญาณที่ได้รับ จากนั้นส่วนสำคัญของโครงข่าย คือโมดูล Multi-Level Pooling (MLP) ถูกใช้เพื่อกรองสัญญาณที่ไม่เกี่ยวข้องออก ตามด้วยโมดูลตัวถอดรหัสที่มีหน้าที่สร้างภาพ MR ขึ้นใหม่ โครงข่าย MLPED สามารถเรียนรู้แบบ end-to-end ได้ด้วย Loss function ที่ถูกนำเสนอขึ้นมาใหม่ นั่นคือ Dual-Domain Loss (DDL) จากผลการทดลองด้วยชุดข้อมูลข้อเข่าของ fastMRI แสดงให้เห็นว่าโครงข่าย MLPED นั้นมีประสิทธิภาพเหนือกว่าวิธีการอื่นสำหรับการเร่งความเร็วกระบวนการรับสัญญาณของเครื่อง MRI ทั้งในระดับ 4 เท่าและ 8 เท่า
นับตั้งแต่มีการประดิษฐ์เครื่อง MRI ขึ้นมา กระบวนการรับสัญญาณที่ช้าเป็นอุปสรรคที่สำคัญที่สุดต่อการวินิจฉัยด้วยเครื่อง MRI จึงส่งผลให้มีปริมาณผู้ป่วยที่ได้รับการวินิจฉัยด้วยเครื่อง MRI น้อย เทคนิคการประมวลผลภาพแบบขนานจึงถูกนำมาใช้สำหรับการสร้างภาพ MR ขึ้นมาใหม่เพื่อแก้ปัญหาการรับสัญญาณที่ช้า โดยใช้คู่กับกระบวนการรับสัญญาณที่ใช้ข้อมูลดิบที่น้อยลงจากปกติที่ถูกรวบรวมผ่านระบบขดลวดความถี่วิทยุ แต่ถึงอย่างนั้นเทคนิคการประมวลผลภาพแบบขนานยังคงไม่สามารถลดเวลาการสร้างภาพ MR ได้อย่างมีนัยสำคัญ ดังนั้นในงานวิจัยนี้โครงข่ายประสาทเทียมแบบ Deep Convolution ถูกนำเสนอเพื่อสร้างภาพ MR คุณภาพสูงขึ้นใหม่หลังจากการเร่งความเร็วในกระบวนการรับสัญญาณที่สูงขึ้น โครงข่าย Multi-Level Pooling Encoder-Decoder Network (MLPED Net) ที่ถูกเสนอนั้นดำเนินการสร้างภาพ MR ขึ้นมาโดยการเข้ารหัสสัญญาณที่ได้รับ จากนั้นส่วนสำคัญของโครงข่าย คือโมดูล Multi-Level Pooling (MLP) ถูกใช้เพื่อกรองสัญญาณที่ไม่เกี่ยวข้องออก ตามด้วยโมดูลตัวถอดรหัสที่มีหน้าที่สร้างภาพ MR ขึ้นใหม่ โครงข่าย MLPED สามารถเรียนรู้แบบ end-to-end ได้ด้วย Loss function ที่ถูกนำเสนอขึ้นมาใหม่ นั่นคือ Dual-Domain Loss (DDL) จากผลการทดลองด้วยชุดข้อมูลข้อเข่าของ fastMRI แสดงให้เห็นว่าโครงข่าย MLPED นั้นมีประสิทธิภาพเหนือกว่าวิธีการอื่นสำหรับการเร่งความเร็วกระบวนการรับสัญญาณของเครื่อง MRI ทั้งในระดับ 4 เท่าและ 8 เท่า
Degree Name
Doctor of Philosophy
Degree Level
Doctoral degree
Degree Department
Faculty of Information and Communication Technology
Degree Discipline
Computer Science
Degree Grantor(s)
Mahidol University