26083

بازسازي تصاوير MR مبتني بر نمايش تنك و شبكه هاي عميق

كارشناسي ارشد

مهندسي پزشكي-بيوالكتريك

1400

1400/11/9

دكتر ابوذر غفاري

دكتر عمادالدين فاطمي زاده

برق

بازسازي تصاوير به عنوان يك مسئله معكوس همواره در ادبيات و كاربردهاي پزشكي از جمله بازسازي تصاوير MR مورد توجه بوده است. به دليل ذات تنك بودن تصاوير MR در حوزه تبديل حل چنين مسائلي معمولا با به كارگيري روش‌هاي بازيابي تنك سيگنال همراه بوده است. همچنين، اخيرا نيز با گسترش روش‌هاي يادگيري عميق اين امكان فراهم شده است تا بتوان تصاوير زير نرخ نمونه‌برداري MR را با شبكه‌هاي عميق بازسازي نمود. در اين حين، يكي از روش‌هاي مشهور كه اخيرا مورد توجه قرار گرفته است روش نصب و اجرا با جداساز تقسيم نيمه‌ درجه دوم (PnP-HQS) است كه در آن مي‌توان مسئله معكوس براي بازسازي تصاوير MR را به دو زير مسئله شكست و هر يك را به صورت جداگانه حل نمود. نكته اصلي در بازسازي با روش PnP اين است كه يكي از زيرمسئله‌ها را مي‌توان با يك شبكه عميق جايگزين كرد كه باعث افزايش دقت بازسازي مي‌شد. با اين كه روش PnP-HQS نتايج خوبي را به دست مي‌آورد اما همچنان روشي خام است و جاي بهبود دارد. در اين خصوص ما الگوريتم تعميم‌يافته بر مبناي PnP-HQS به نام "PnP-AugHQS" را توسعه داديم تا به طور موثر از توانايي اين روش در بازسازي تصاوير MR استفاده كنيم. در الگوريتم پيشنهادي پارامتر‌هاي افزوده‌اي دخيل هستند كه به واسطه آن‌ها مي‌توان بر خلاف روش ساده PnP-HQS نويز اندازه‌گيري را در بازسازي در نظر بگيرند. همچنين، پارامترهاي اضافه شده توانايي افزايش سرعت همگرايي و دقت بازسازي بهتر در شرايط بدون نويز را نيز به ما مي‌دهند. به علاوه، ما از جديد‌ترين ساختارهاي شبكه عميق براي به كارگيري آن در الگوريتم PnP-AugHQS استفاده كرده‌ايم تا دقت بازسازي را هر چه بيشتر افزايش دهيم. آناليز و تحليل‌هاي بسياري از جمله تحليل همگرايي و مقاوم بودن الگوريتم در اين پروژه انجام گرديده است. از مقايسه روش پيشنهادي با ساير روش‌ها و با در نظر گرفتن معيار نسبت اوج سيگنال به نويز (PSNR) نشان داده مي‌شود كه الگوريتم PnP-AugHQS نه تنها از PnP-HQS بلكه ساير روش‌هاي مدرن در بازسازي تصاوير MR مغزي و زانو تا 0.53dB در حالت بدون نويز و تا 2.91dB در حالت نويزي بهتر عمل مي‌كند. همچنين، زمان بازسازي تصاوير با روش پيشنهادي تا 26 ثانيه در حالت استفاده از CPU و 4 ثانيه در حالت استفاده از GPU نسبت به PnP-HQS كاهش يافته است.

1400/11/29

MR image reconstruction based on sparse representation and deep learning

1/29/2023 12:00:00 AM

Sparse recovery in the context of the inverse problem has become an enormously popular technique in reconstructing various degraded images in various applications. One of the well-known techniques in modularizing these particular inverse problems is the Plug and Play Half-Quadratic-Splitting (PnP-HQS). This method has been demonstrated to achieve good results in the literature; however, it is still too plain to be fully exploited for reconstruction. In this regard, we introduce an augmented version of this technique dubbed “PnP-AugHQS” to efficiently utilize its capabilities in image reconstruction. We provide a comprehensive convergence analysis of the proposed algorithm to ensure its effectiveness in image reconstruction. We then exploit the new parameters to further modify the procedure of the conventional PnP in order to account for the noise in the measurement. The PnP-AugHQS is equipped with a compact deep Convolutional Neural Network denoising regularization to maximize its power in image recovery. As a special case, we further modified the algorithm to be used in the application of MRI reconstruction. Various experiments evaluated on the proposed algorithm showed the superiority of the PnP-AugHQS compared to the PnP-HQS and other state-of-the-art techniques in MRI reconstruction.

روش نصب و اجرا , بازيابي تنك , بازسازي تصاوير تصويرگري تشديد مغناطيسي , مدل عميق

Plug and play , Sparse recovery , MRI reconstruction , Deep model