Physics-constrained unsupervised deep learning for accelerated diffusion mri

Difüzyon Manyetik Rezonans Görüntüleme (dMRG), sinir dokusundaki su moleküllerinin mikroskobik Brown hareketini inceleyerek mikroyapısal mimariyi ortaya koyan bir tekniktir. Spin yer değiştirmeleri, difüzyon duyarlı gradyanlarla q-uzayında kodlanır. Klasik Difüzyon Tensör Görüntüleme (DTG) az sayıda q-uzayı örneğiyle tek doğrultulu lifleri tanımlar, ancak liflerin kesiştiği bölgelerde yetersizdir. Bu eksikliği gidermek için, farklı b-değerleriyle tanımlanan küresel kabukları yoğun biçimde örnekleyen Yüksek Açısal Çözünürlüklü Difüzyon Görüntüleme (HARDI) geliştirilmiştir. HARDI'nin çok kabuklu uzantıları olan Çoklu-Doku Çoklu-Kabuk Kısıtlı Küresel Ters Evrişim (ÇDÇK-KKTE) ve Nörit Oryantasyon Dağılımı ve Yoğunluk Görüntüleme (NODDI) karmaşık lif mimarisini daha ayrıntılı betimler, ancak yoğun q-uzayı örneklemesi klinik uygulanabilirliği kısıtlayan uzun çekim süreleri gerektirir. Bu tez, çok kabuklu dMRG'yi hızlandırmak için "Q-Uzayı Yukarı Örneklemesi: Fiziksel Kısıtlamalı Koordinat Tabanlı Örtük Ağ" (QUCCI) adlı gözetimsiz, derin öğrenme tabanlı bir yaklaşım sunmaktadır. QUCCI, hacmi hem uzaysal hem de q-uzayı koordinatlarının sürekli bir fonksiyonu olarak modeller; böylece sabit şemalara bağlı kalmadan istenen yönde örnekleme yapılabilir. Bir kodlayıcı koordinatları yüksek boyutlu gizli koda çevirir, çok katmanlı algılayıcı (ÇKAA) ise sinyali tahmin eder. Yöntem yalnızca koordinat girişi kullandığından büyük eğitme kümelerine veya cihaz uyumlaştırmasına gerek duymaz; fizik temelli düzenleme kararlı yakınsamayı sağlar. QUCCI, 10 gönüllüde R = 10, 15, 22.5 hızlandırma seviyeleri ve q-uzayı enterpolasyonuna ek olarak düzlem-içi süper çözünürlükle milimetre altı çözünürlükte tam beyin dMRG'de sınanmıştır. Sonuç olarak QUCCI, güncel bir derin öğrenme yöntemine, en küçük kareler temelli klasik yaklaşıma ve doğrudan alt örnekleme ile elde edilen veriye göre üstünlük göstermiştir. Dilim, denek ve metrik düzeyindeki değerlendirmeler ile DTG, ÇDÇK-KKTE ve NODDI haritaları da bu üstünlüğü doğrulamaktadır. QUCCI yaklaşımının bir uzantısında ise, q-uzayı içinde yapılan enterpolasyonun, düzlem içi süper çözünürlükle birleştirilerek tüm beyni kapsayan alt milimetre çözünürlüklü dMRG elde edilmesi hedeflenmiştir. Sonuç olarak QUCCI, bilgi kaybını en aza indirerek dMRG'yi klinik açıdan uygulanabilir hızlara taşımaktadır.