利用深度學習演算法進行磁共振頻譜重建

Deep learning based MRS reconstruction

江宗諭(JIANG ZONG YU)

指導教授 ： 蔡尚岳

國立政治大學/理學院/應用物理研究所/碩士(2021年)

https://doi.org/10.6814/NCCU202101736

摘要

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。

關鍵字

磁共振頻譜 ； 深度學習 ； 重建頻譜

並列摘要

本論文以中文書寫，作者無提供英文摘要。

並列關鍵字

none

參考文獻

[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.