Seminarium Instytutu

W poniedziałek 27.11.2023 w godz. 12.15-13.15 w sali 3/40 referat wygłosi dr Krzysztof Malczewski.

Tytuł prezentacji
Rekonstrukcja obrazów o podwyższonej rozdzielczości w technikach rezonansu magnetycznego z rzadkich, surowych danych pomiarowych.

Streszczenie
Problemem obszaru obrazowania medycznego jest wciąż ograniczona rozdzielczość generowanych obrazów, szum, zniekształcenia powodowane przez ruch pacjenta oraz długi czas badania.

Ponadto, sama rekonstrukcja obrazu rezonansu magnetycznego (MRI) jest problemem źle uwarunkowanym numerycznie, wymagającym obliczeń czasochłonnych i zasobochłonnych, które w znacznym stopniu mogą przyczynić się do utraty dokładności obrazowania w czasie rzeczywistym.

Pewnym rozwiązaniem problemu długości badania staje się zastosowanie metod próbkowania oszczędnego (ang. Compressed Sensing).

Jest to możliwe przy spełnieniu dodatkowych warunków: rzadkości sygnału badanego oraz niekoherencji w procesie pomiaru.

Dzięki zastosowaniu etapowego próbkowania przestrzeni k oraz wykorzystania własności operacji sprzężenia hermitowskiego, tj. częściowego zapełniania przestrzeni k możliwe jest skrócenie czasu budowania bazy pomiarowej w MRI. Brakującą część przestrzeni k można odzyskać wykorzystując własność symetrii sprzężonej.

Z uwagi na sekwencyjność danych pomiarowych możliwe jest zastosowanie techniki nadrozdzielczości, dzięki czemu możliwe jest zwiększenie rozdzielczości przestrzennej obrazów diagnostycznych.

W niniejszym algorytmie nadrozdzielczości celem kompensacji zniekształceń powodowanych przez ruch zastosowano algorytm „gęstego próbkowania przesunięć”. Formalnie proces rekonstrukcji jest realizowany iteracyjnie, gdzie cyklicznie wnoszone są poprawki do wyznaczonych parametrów ruchu, jądra rozmycia (jako MAP) oraz szumu.

Co więcej, kompensacja ruchu oddechowego jest osiągana jednocześnie w procesie rekonstrukcji obrazu, co potencjalnie umożliwia akwizycję danych MR przy całkowicie swobodnym oddychaniu i szybką, automatyczną rekonstrukcję danych.

Niestety jednak, jak dotąd w metodach CS w procesie rekonstrukcji nie uwzględnia się jakości diagnostycznej obrazu, co w obszarze diagnostyki medycznej jest kwestią fundamentalną.

Aby stawić czoła tym wyzwaniom, autor proponuje zmodyfikowanie procesu rekonstrukcji obrazów o podwyższonej rozdzielczości poprzez zastosowanie generatywnych sieci przeciwstawnych (GAN) oraz przeprowadzenie procesu uczenia z użyciem różnorodnych obrazów MR. Wykorzystując połączenie sieci GAN, metodę najmniejszych kwadratów (LS) oraz minimalizację w normie L1 w odniesieniu do pikseli, głęboka sieć resztkowa z pomijanymi połączeniami jest szkolona jako generator, który uczy się usuwać artefakty aliasingu, szum i zniekształcenia powodowane przez ruch poprzez rzutowanie na rozmaitość. Sieć uczy się szczegółów tekstury, podczas gdy l1 kontroluje szum o wysokiej częstotliwości. Następnie wielowarstwowa splotowa sieć neuronowa jest wspólnie szkolona na podstawie obrazów o jakości diagnostycznej w celu rozróżnienia jakości rzutowania. W fazie testowej wykonywana jest propagacja ze sprzężeniem zwrotnym w sieci generatora, co wymaga bardzo niskiego narzutu obliczeniowego.