A machine learning approach to QSM: quantitative susceptibility map reconstruction with convolutional autoencoders

Fiscone, Cristiana (2019) A machine learning approach to QSM: quantitative susceptibility map reconstruction with convolutional autoencoders. [Laurea magistrale], Università di Bologna, Corso di Studio in Fisica [LM-DM270], Documento ad accesso riservato.
Documenti full-text disponibili:
[img] Documento PDF (Thesis)
Full-text non accessibile fino al 31 Marzo 2020.
Disponibile con Licenza: Creative Commons Attribuzione - Non commerciale - Non opere derivate 3.0

Download (12MB) | Contatta l'autore

Abstract

QSM (Quantitative Susceptibility Mapping) è un’ applicazione MRI, in grado di riprodurre, partendo da dati di fase di sequenze gradient echo, distribuzioni di suscettività magnetica dei tessuti. Con questa tecnica è possibile, ad esempio, caratterizzare e trattare malattie vascolari e neurodegenerative.  Per ottenere la mappa di suscettività, deve essere risolto un problema mal posto, dovuto alla presenza di singolarità all'interno dello spazio di Fourier. Sono state già implementate diverse tecniche per superare questa difficoltà, divise in: single-orientation methods (e.g. TKD) e multiple-orientation methods (e.g. COSMOS). I primi garantiscono una veloce ricostruzione, anche se molto rumorosa; i secondi invece richiedono lunghi tempi d’acquisizione, ma forniscono risultati accurati. Bisogna trovare un compromesso tra accuratezza e velocità per poter applicare QSM all'ambito clinico. Una soluzione potrebbe essere un metodo che sfrutti tecniche di deep learning; per questo, abbiamo costruito una rete neurale con una struttura di fully convolutional autoencoder. La rete è stata addestrata tramite apprendimento supervisionato, utilizzando dati di fase come input, dati di suscettività ottenuti da COSMOS come labels e dati di suscettività ottenuti da TKD come controllo.  Dalle immagini dell’encefalo contenute nel database della QSM2016 Challenge, dati 2D e 3D sono stati estratti e processati. La distribuzione ottenuta con il nostro modello è stata confrontata con quella di COSMOS, considerata come gold-standard per la precisione nella ricostruzione: valutando intensità e contrasto in alcune regioni, sono emersi risultati tra loro consistenti. Le perfomance del network sono migliori di quelle di TKD. Il risultato ottenuto è perciò soddisfacente: tramite machine learning, single-orientation method, è possibile quindi costruire velocemente una mappa di suscettività magnetica accurata tanto quanto quella risultante da approcci a multiple-orientation.

Abstract
Tipologia del documento
Tesi di laurea (Laurea magistrale)
Autore della tesi
Fiscone, Cristiana
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
Curriculum E: Fisica applicata
Ordinamento Cds
DM270
Parole chiave
QSM,deep learning,image processing,convolutional neural networks,neuroimaging
Data di discussione della Tesi
22 Marzo 2019
URI

Altri metadati

Gestione del documento: Visualizza il documento

^