簡易檢索 / 詳目顯示
| 研究生： |
江宗諭 JIANG ZONG YU |
|---|---|
| 論文名稱： |
利用深度學習演算法進行磁共振頻譜重建 Deep learning based MRS reconstruction |
| 指導教授： |
蔡尚岳
Shang-Yueh Tsai |
| 口試委員: |
蔡尚岳
Shang-Yueh Tsai 許琇娟 Hsiu-Chuan Hsu 黃騰毅 Teng-Yi Huang 林益如 Yi-Ru Lin |
| 學位類別： |
碩士
Master |
| 系所名稱： |
理學院 - 應用物理研究所 Graduate Institute of Applied Physics |
| 論文出版年： | 2021 |
| 畢業學年度： | 110 |
| 語文別： | 中文 |
| 論文頁數： | 52 |
| 中文關鍵詞： | 磁共振頻譜 、深度學習 、重建頻譜 |
| DOI URL： | http://doi.org/10.6814/NCCU202101736 |
| 相關次數： | 點閱：66 下載：27 |
| 分享至: |
| 查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報 |
最近深度學習技術廣泛的應用在MRS 的研究上，例如使用卷積神經網路CNN模型來去除雜訊或者移除基線等等，而本研究主要是在探討使用U-NET 模型來進行大腦頻譜的重建，U-Net 是一種卷積神經網絡（CNN）方法，他可以更好的分割生物醫學影像。先將大腦的模擬頻譜傅立葉轉換成FID 之後進行截斷，如果截斷後留下的點數為8 稱為tFID8，若留下16 的點稱為tFID16，以此類推，在進行傅立葉轉換獲得截斷光譜，藉由這些頻譜來訓練模型，一開始訓練了tFID2048、tFID1024、tFID512、tFID256、tFID128、tFID64、tFID32 、tFID16、tFID8，總共8 個模型，通過觀察不同模型的結果和比較，最終挑選tFID128 和tFID32 這兩個模型應用在活體頻譜上，結果因為水頻譜關係得到不好的結果，為了得到最好的結果，將tFID128 和tFID32 模型進行修改嘗試獲取最好的重建活體頻譜，結果顯示在模擬頻譜的重建算是非常成功，但是應用在活體頻譜的重建上就不盡理想，所以在進一步的分析模擬頻譜與活體頻譜的誤差,並且將進行一些修正,並重新訓練,得知是因為模擬頻譜與活體頻譜不夠相似造成還原結果有些差異。
致謝 1
摘要 2
目次 3
圖錄 5
表錄 7
第一章 緒論 8
1.1 磁共振頻譜 8
1.2 卷積神經網路 8
1.3 研究動機 9
第二章 研究方法 10
2.1 模擬光譜 10
2.1.1 大分子頻譜 12
2.1.2 拓寬與噪聲 14
2.2 截斷FID 16
2.3 U-NET 20
2.4 模型設定與評估 20
2.5 數據預處理 23
2.6 模型的評估 23
第三章 研究結果 24
3.1 模擬頻譜結果 24
3.2 實體頻譜結果 36
3.2.1 略過水頻譜 38
3.3分析結果 45
3.4修正模型 46
第四章 結論 49
第五章 參考資料 51
[1] Gujar, S. K., Maheshwari, S., Björkman-Burtscher, I., & Sundgren, P. C. (2005). Magnetic resonance spectroscopy. Journal of neuro-ophthalmology, 25(3), 217-226.
[2] Dager, S. R., Oskin, N. M., Richards, T. L., & Posse, S. (2008). Research applications of magnetic resonance spectroscopy (MRS) to investigate psychiatric disorders. Topics in magnetic resonance imaging: TMRI, 19(2), 81.
[3] Gu, J., Wang, Z., Kuen, J., Ma, L., Shahroudy, A., Shuai, B., ... & Chen, T. (2018). Recent advances in convolutional neural networks. Pattern Recognition, 77, 354-377.
[4] Hatami, N., Sdika, M., & Ratiney, H. (2018, September). Magnetic resonance spectroscopy quantification using deep learning. In International Conference on Medical Image Computing and Computer-Assisted Intervention (pp. 467-475). Springer, Cham.
[5] Kiranyaz, S., Avci, O., Abdeljaber, O., Ince, T., Gabbouj, M., & Inman, D. J. (2021). 1D convolutional neural networks and applications: A survey. Mechanical systems and signal processing, 151, 107398.
[6] Birch, R., Peet, A. C., Dehghani, H., & Wilson, M. (2017). Influence of macromolecule baseline on 1H MR spectroscopic imaging reproducibility. Magnetic resonance in medicine, 77(1), 34-43.
[7] Deep learning based MRS quantification : CNN integrated with water scaling and partial volume correction
[8] Lee, H., Lee, H. H., & Kim, H. (2020). Reconstruction of spectra from truncated free induction decays by deep learning in proton magnetic resonance spectroscopy. Magnetic resonance in medicine, 84(2), 559-568.
[9]Ronneberger, O., Fischer, P., & Brox, T. (2015, October). U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assisted intervention (pp. 234-241). Springer, Cham.
[10] Lee, H. H., & Kim, H. (2019). Intact metabolite spectrum mining by deep learning in proton magnetic resonance spectroscopy of the brain. Magnetic resonance in medicine, 82(1), 33-48.
[11] Simpson, R., Devenyi, G. A., Jezzard, P., Hennessy, T. J., & Near, J. (2017). Advanced processing and simulation of MRS data using the FID appliance (FID‐A)—an open source, MATLAB‐based toolkit. Magnetic resonance in medicine, 77(1), 23-33.
