Segmentation informed deep learning algorithms for cardiac MRI reconstruction

Derin öğrenme yöntemleri, az örneklenmiş sinyal uzayından hızlandırılmış manyetik rezonans görüntüleme (MRG) rekonstrüksiyonunda etkileyici sonuçlar üretmiştir. Ancak, mevcut MRG rekonstrüksiyon modelleri, alan içindeki ayrı ayrı voksellerden katkıları homojen bir şekilde değerlendiren hata fonksiyonlarıyla yaygın olarak eğitilir ve alan içindeki göreli olarak önemli bölgelere odaklanmazlar. Ayrıca, model eğitimi için yaygın olarak kullanılan ortak sistemler, ağ çıktısı için bir referans oluşturmak için tam örneklenmiş büyük MRG veri kümesinin bulunabilirliğine dayanır. Bu bağımlılık, birçok uygulamada büyük veri kümelerini toplamanın zor olması nedeniyle istenmeyen bir durumdur ve yüksek uzamsal-zamansal çözünürlük protokolleri için çoğu zaman imkansızdır. Bu tezde, öncelikle dinamik kalp MRG için öz denetimli öğrenme yöntemini tanıtarak ağı, tam örneklenmiş veri olmadan rekonstrüksiyon yapacak şekilde eğitiyoruz. Daha sonra, rekonstrüksiyon sürecini bölümleme hata sinyaliyle tanı için önemli bölge etrafında yönlendiren bir rekonstrüksiyon sistemi tanıtıyoruz. Son olarak, odaklanma bölgelerine yönelik olarak mekansal bilgiyi açıkça taşıyan bir dikkat yeteneği ile güçlendirilmiş bir rekonstrüksiyon sistemi olan RAT-Net'i tanıtıyoruz. öz denetime dayalı öğrenme, tam örneklenmiş verilere olan fazla talebi azaltırken, bölümleme bilinçli rekonstrüksiyon sistemi, mekansal bilgi sinyalini rekonstrüksiyon ağına geri yayar. Son olarak, RATNet, rekonstrüksiyonda mekansal bilgi ağı tarafından sağlanan odaklanma bilgisine duyarlı olan dikkat katmanlarını içerir. Sonuç olarak kardiak MRG'de az örneklenmiş alımlardan tam örneklenmiş görüntülerin geri kazanılmasını gösteriyor ve tıbbi görüntü rekonstrüksiyonunda en üstün performanslarını sergiliyoruz