Model-based deep learning reconstruction methods for fast magnetic resonance imaging
저자
발행사항
[Seoul] : Graduate School, Yonsei University, 2022
학위논문사항
학위논문(박사) -- Graduate School, Yonsei University Department of Electrical and Electronic Engineering 2022.2
발행연도
2022
작성언어
영어
주제어
발행국(도시)
서울
기타서명
고속 자기공명영상을 위한 모델 기반 딥러닝 재구성 방법
형태사항
xi, 109장 : 삽화 ; 26 cm
일반주기명
지도교수: Dosik Hwang
UCI식별코드
I804:11046-000000540885
소장기관
Magnetic resonance imaging (MRI) provides visualization inside the human body noninvasively and is a widely used medical imaging modality for the diagnosis of patients. Compared to other medical imaging modalities magnetic resonance (MR) images present high spatial resolution and high soft-tissue contrast, giving valuable diagnostic information. Nonetheless, MRI takes a long scan time for acquiring raw MR data in the k-space domain, which leads to motion artifacts due to patients’ discomfort and hinders the further applications of MRI. For acceleration of MRI, undersampling the k-space data can be conducted (i.e., sampling below the Nyquist rate), but it evokes aliasing artifacts in the reconstructed image. In this dissertation, three different deep learning-based reconstruction methods are introduced for fast MRI. The first method is a deep parallel imaging network (“DPI-net”) that reconstructs 3D time-of-flight magnetic resonance angiography from undersampled multi-coil k-space data using multi-stream convolutional neural networks. The second method is a joint deep model-based MR image and coil sensitivity reconstruction network (“Joint-ICNet”) that jointly reconstructs an MR image and coil sensitivity maps from undersampled multi-coil k-space data using deep learning networks and interleaved MR model-based data consistency schemes. The third method is a deep model-based MR parameter mapping network (“DOPAMINE”) that reconstructs MR parameter maps from undersampled multi-coil k-space data using deep learning networks combined with MR physical models. DPI-net, Joint-ICNet, and DOPAMINE outperformed conventional MR image reconstruction methods such as parallel imaging and compressive sensing-based methods and state-of-the-art deep learning-based methods in reconstructing MR image and MR parameter maps from undersampled multi-coil k-space data. Therefore, the proposed deep learning-based reconstruction methods can be applied to the acceleration of MRI.
더보기자기공명영상은 비침습적으로 인체 내부를 시각화하여 환자 진단에 널리 사용되는 의료 영상 기법이다. 다른 의료 영상 기법과 비교하여 자기공명 영상은 높은 공간 해상도와 연조직 대비를 나타내어 중요한 진단 정보를 제공한다. 그러나, 자기공명영상은 k-space 영역에서 원 자기공명 데이터를 획득하는 데 긴 촬영 시간이 소요되며, 이는 환자의 불편함으로 인한 움직임 인공물을 유발하고 자기공명영상의 추가 적용을 저해한다. 자기공명영상의 가속화를 위해 k-space 전체 데이터를 획득하는 대신 나이퀴스트 샘플링 레이트 아래로 과소 샘플링 될 수 있지만 공간 영역에서 에일리어싱 인공물을 유발한다. 본 논문에서는 고속 자기공명영상을 위한 세 가지 딥러닝 기반 재구성 방법론을 소개한다. 첫 번째 방법론은 다중 스트림 컨볼루션 신경망을 사용하여 과소샘플링된 다중 코일 k-space 데이터로부터 3D time-of-flight 자기공명혈관조영술을 재구성하는 심층 병렬 이미징 네트워크(“DPI-net”)이다. 두 번째 방법론은 딥러닝 네트워크와 삽입된 자기공명 모델 기반 데이터 유지 방법을 사용하여 과소 샘플링된 다중 코일 k-space 데이터에서 자기공명 영상과 코일 감도 맵을 같이 재구성하는 조인트 심층 모델 기반 자기공명 영상 및 코일 감도 재구성 네트워크(“Joint-ICNet”)이다. 세 번째 방법론은 자기공명 물리 모델과 결합된 딥러닝 네트워크를 사용하여 과소 샘플링된 다중 코일 k-space 데이터에서 자기공명 파라미터 맵을 재구성하는 심층 모델 기반 자기공명 파라미터 매핑 네트워크(“DOPAMINE”)이다. DPI-net, Joint-ICNet, 및 DOPAMINE은 과소 샘플링된 다중 코일 k-space 데이터에서 자기공명 영상 및 자기공명 파라미터 맵을 재구성하는 데 있어 병렬 이미징 및 압축 센싱 기반 방법과 같은 기존의 자기공명 영상 재구성 방법론들과 최신 딥러닝 기반 방법론들을 능가하였다. 따라서, 제안된 딥러닝 기반 재구성 방법론은 자기공명영상 고속화에 적용될 수 있다.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)