Deep Learning for Accelerated 3D MRI

Manyetik rezonans görüntüleme (MRG), çok sayıda doku kontrastı altında belirli bir anatomik hacmi görüntüleme esnekliği sunar. Fakat tarama zamanıyla alakalı endişeler MRG verisinin kalite ve çeşitliliği üzerinde keskin kısıtlamalara sebep olmaktadır. Bu kısıtlamaları kaldırmak için uygulanan güncel standart yaklaşım değişik boyutlardan, genellikle de Fourier alanı veya kontrast kümelerinden, alınan ve çarpazlama alt-örneklenen verilerden yüksek kalite görüntüler devşirmektir. Bu devşirme yöntemleri arasındaki başlıca fark anatominin hacimsel mi yoksa kesitsel mi işlendiğidir. Hacimsel modeller gelişmiş bütünlüklü bağlamsal malumat sağlarken fazlaca karmaşık modeller yüzünden yetersiz bir öğrenmeye sebep olur. Kesit bazlı modellerse daha az karmaşık olmaları sayesinde öğrenimde artış sağlarken hacmin boylamsal boyutlarındaki bağlamsal malumatı göz ardı ederler. Burada biz karmaşık hacimsel görüntülerin devşirilme görevini münferit doğrusal boyutlarda görev uygunluğunca sıralanmış, ardıl kesitli haritalamalara bolüştüren üretim modelleri (ProvoGAN) için yeni ve ileri bir hacimleştirme stratejisi sunmaktayız. ProvoGAN düşük model karmaşıklığını koruyup gelişmis öğrenimi temin ederken etkili biçimde bütünlüklü bağlam elde edebilmekte ve tüm boyutlar boyunca ince yapısal detayları devşirebilmektedir. Anaakım MRG geriçatım ve sentez görevleri üzerinde yapılan kapsamlı izahlar ProvoGAN'ın son teknoloji hacimsel ve kesitsel modellere göre üstün performans sağladığını göstermektedir.