A deep learning model for susceptibility artifact correction in Echo Planar Imaging

Difüzyon ağırlıklı görüntüleme (DWI), biyolojik doku içindeki su moleküllerinin Brown hareketini \textit{in vivo} ve noninvaziv şekilde incelemeyi sağlayan bir manyetik resonans görüntüleme (MRI) tekniğidir. DWI için en yaygın olarak kullanılan sekans, tek bir difüzyon hazırlama adımından sonra tek seferde $k$-uzayının tamamının zikzak şeklinde toplandığı eko planar görüntülemedir (EPI). EPI, harekete karşı gürbüzlüğü nedeniyle tercih edilmektedir ve DWI'nın yüksek sinyal-gürültü oranı verimliliği ve kısa alım süresi gereksinimlerini karşılamaktadır. Bunlara rağmen, EPI, güçlü okuma gradyanları ve faz-kodlama (PE) yönündeki düşük bant genişliği nedeniyle ortaya çıkan duyarlılık artefaktlerinden muzdariptir. Bu artefaktlar, manyetik duyarlılık farklılıklarından kaynaklanmaktadır, ve geometrik bozulma ve yoğunluk bozulması olarak kendini göstermektedir. Bu artefaktları düzeltmek için son işlem yöntemleri yaygın olarak kullanılmaktadır. Bu yöntemler arasında özellikle duyarlılığa bağlı yer değiştirme alanını belirlemek için ters PE yönlerinde elde edilen görüntüleri kullanan ters PE teknikleri yaygındır. Ters PE yöntemleri için birçok derin öğrenme dışı yöntem mevcut olsa da, bunlar nispeten zaman alıcıdır ve örneğe özgü optimizasyon gerektirmektedir. Yalnızca birkaç yeni çalışma, ters PE tekniklerini hızlandırmak için derin öğrenmeyi kullanmanın faydalarını araştırmıştır. Bu yöntemler görüntü benzerliğini en üst düzeye çıkaran tahmini bir yer değiştirme alanıyla tersine çarpıtarak düzeltmeye dayanmaktadır. Bu tez, duyarlılık artefaktlarını düzeltmek için derin ve denetimsiz bir ileri yönde bozulma ağı (FD-Net) önermektedir. FD-Net, gelişmiş düzeltme performansı için ölçüm doğruluğunu açıkça kısıtlarken düzeltmeyi hızlandırmaktadır. Bu teknik, girdi ters PE görüntülerinden alanı ve düzeltilmiş görüntüyü tahmin etmek için bir kodlayıcı-kod çözücü mimarisi kullanmaktadır. Tahmin edilen görüntüye her iki PE yönünde ileri yönde bozulma işlemi gerçekleştirmek için alanın kullanılması, girdi ters PE görüntülerini açıklamalı ve böylece girdi verilerine dayanarak tutarlılığı sağlamalıdır. Bu ileri yönde bozulma yaklaşımı, matris işlemlerine dayanmaktadır ve hesaplama açısından verimlidir. İki farklı çoklu çözünürlük stratejisi göz önünde bulundurulmuştur: Kod çözücünün önceki aşamalarının daha düşük çözünürlüklü alan ve görüntü tahminleri ürettiği bir çoklu ölçek stratejisi, ve tam çözünürlüklü tahminlerin aşamalı olarak bulanıklaştığı bir çoklu bulanıklık stratejisi. Her iki strateji de farklı ölçekler ve bulanıklıklar arasında tutarlılığı zorunlu kılarak performansı artırmayı amaçlamakta, böylece etkin bir şekilde yakınsamayı hızlandırmakta ve yerel minimumlardan kaçınmaktadır. Bu tezde çoklu çözünürlüklü stratejilerinin varyasyonları göz önünde bulundurulmaktadır, ve nicel görüntü kalitesi metrikleri açısından en yüksek performans gösteren strateji seçilmektedir. FD-Net'in performansı, literatürdeki iki yeni derin öğrenme yöntemiyle ve FD-Net'e dayanan bir denetimli temel yöntemle karşılaştırılarak değerlendirilmek-tedir. Altın standart referans olarak klasik bir tersine çarpıtma tabanlı yöntem kullanılmaktadır. Görüntü kesiti bazında, katılımcı bazında, görsel ve nicel görüntü kalitesi değerlendirmeleri kapsamlı olarak yapılmaktadır. Sonuçlar, FD-Net'in karşılaştırılan derin öğrenme yöntemlerinden daha iyi performans gösterdiğini, ve gürbüz alan tahminlerini sürdürürken, tahmin edilen görüntü kalitesi açısından denetimli temel yöntemden üstün olduğunu göstermektedir. Bu nedenle, ileri yönde bozulma modeli, tersine çarpıtma tabanlı yaklaşımlarla karşılaştırıldığında, bozulma düzeltmesi için daha iyi koşullandırılmış bir problemi sunmaktadır. Bu tez, FD-Net'in ölçüm verilerinin aslına uygunluğunu daha iyi sınırlayan duyarlılık artefaktı düzeltme problemi için yeni bir yaklaşım sağladığı sonucuna varmaktadır.