بازسازي تصاوير CT از روي داده هاي پروجكشن ناقص با استفاده از يادگيري عميق

اصفهان : دانشگاه صنعتي اصفهان

مهندسي پزشكي

كارشناسي ارشد

اين پايان‌نامه به بررسي بازسازي تصاوير توموگرافي كامپيوتري (CT) از روي داده‌هاي پروجكشن ناقص با استفاده از يادگيري عميق مي‌پردازد. در اين چارچوب، تمركز پژوهش بر رويكرد يادگيري عميق در حوزه تصوير براي ترميم تصاوير CT با تعداد نماهاي محدود است. در CT با تعداد نماهاي محدود، تعداد نماهاي پروجكشن كاهش مي‌يابد؛ بااين‌حال، كم‌نمونه‌برداري زاويه‌اي پس از پس‌افكني فيلترشده (FBP) موجب ايجاد آرتيفكت‌هاي رگه‌اي ساختاريافته، اعوجاج لبه، سوگيري شدت و از دست رفتن جزئيات آناتوميكي مي‌شود. از نظر روش‌شناختي، اين پژوهش بر ترميم پس از بازسازي تمركز دارد؛ به‌گونه‌اي كه ورودي، تصوير FBP با تعداد نماهاي محدود و تصوير مرجع، تصوير متناظر CT با دوز كامل است. يك پياده‌سازي مستقل مبتني بر PyTorch و هم‌راستا با FreeSeed با استفاده از داده‌هاي CT با دوز كامل Mayo/AAPM، شامل برش‌هاي 1.0 mm و هسته B30f، توسعه داده شد. مجموعه داده شامل 5936 برش CT بود كه به 5410 برش آموزشي و 526 برش آزمون تقسيم شد و تصاوير به اندازه 256 × 256 پيكسل تغيير اندازه يافتند. ورودي‌هاي با تعداد نماهاي محدود در N_v = 18, 36, 72, 144 با استفاده از خط لوله شبيه‌سازي بادبزني ASTRA توليد شدند. روش‌هاي ارزيابي‌شده شامل FBP، FBPConv-style، FreeNetUNet-style، ريزتنظيم هدايت‌شده با SeedNet، مدل حذف مؤلفه NoFreqUNet-style و پالايش FreqTransNetRefine-style بودند. ارزيابي با استفاده از PSNR، SSIM، RMSE، آزمون‌هاي آماري جفت‌شده، مقايسه كيفي و نقشه‌هاي خطاي مطلق انجام شد. نتايج نشان دادند كه FreeNetUNet-style نسبت به خطوط مبناي FBP و FBPConv-style بهبود ايجاد مي‌كند. مطالعه حذف مؤلفه از نقش مدل‌سازي آگاه از فركانس پشتيباني كرد. ريزتنظيم هدايت‌شده با SeedNet بهبود اضافي وابسته به تعداد نما فراهم نمود، درحالي‌كه FreqTransNetRefine-style ستون فقرات FreeNetUNet-style را به‌طور پيوسته بهبود داد و قوي‌ترين بهبود هم‌زمان در همه معيارها در N_v = 18 مشاهده شد. اين پژوهش ادعاي بازتوليد رسمي FreeSeed، اعتبارسنجي باليني يا برتري جهان‌شمول را مطرح نمي‌كند.

237999

بيوالكتريك

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان