MARC

 008250123s2024        us                              c    eng  d
■001000017162844
■00520250211152102
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382739755
■035    ▼a(MiAaPQ)AAI31349036
■035    ▼a(MiAaPQ)umichrackham005418
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a610
■1001  ▼aGao,  Mingjie.
■24510▼aAdvances  in  Image  Reconstruction  for  Digital  Breast  Tomosynthesis
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a171  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Chan,  Heang-Ping;Fessler,  Jeffrey  A.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aDigital  breast  tomosynthesis  (DBT)  is  an  important  imaging  modality  for  breast  cancer  screening  and  diagnosis.  It  acquires  a  sequence  of  projection  views  within  a  limited  angle  and  provides  quasi-three-dimensional  images  of  the  breasts,  allowing  for  improved  lesion  visualization  and  reduced  false  positives  compared  with  two-dimensional  mammography.  Despite  its  advantages,  DBT  suffers  from  noise  and  blur  problems  that  can  compromise  image  quality  and  reduce  its  sensitivity  in  detecting  subtle  signs  of  breast  cancer  such  as  microcalcifications  (MCs).  The  primary  objective  of  this  thesis  is  to  push  the  state-of-the-art  of  DBT  imaging  by  developing  advanced  DBT  image  reconstruction  and  processing  methods.  By  reducing  image  noise,  enhancing  spatial  resolution,  optimizing  reconstruction  methods  and  evaluating  them  based  on  clinical  tasks,  our  ultimate  goal  is  to  make  DBT  an  even  more  effective  tool  for  breast  cancer  screening  and  diagnosis.    In  this  thesis,  we  first  developed  a  deep  convolutional  neural  network  (DCNN)  for  denoising  reconstructed  DBT  images.  We  trained  the  DCNN  using  a  weighted  combination  of  mean  squared  error  loss  and  the  adversarial  loss  based  on  generative  adversarial  network  (GAN),  and  therefore  called  it  DNGAN.  The  DNGAN  improved  the  contrast-to-noise  ratio,  detectability  index,  and  human  observer  detection  sensitivity  of  the  MCs  in  DBT  images  of  breast  simulating  phantoms.  Promising  denoising  results  were  also  observed  on  a  small  test  set  of  human  subject  DBTs.  Then,  we  introduced  a  model-based  DCNN-regularized  reconstruction  (MDR)  method  for  DBT.  It  combined  a  model-based  iterative  reconstruction  method  with  the  DNGAN  denoiser.  To  facilitate  task-based  image  quality  assessment,  we  also  proposed  two  DCNN  tools:  CNN-NE  for  noise  estimation,  and  CNN-MC  as  a  model  observer  for  MC  cluster  detectability  measure.  We  demonstrated  the  effectiveness  of  CNN-NE  and  CNN-MC  using  phantom  DBTs.  The  MDR  method  achieved  low  noise  and  the  highest  detection  rankings  on  a  test  set  of  human  subject  DBTs.  Finally,  we  presented  our  work  on  modeling  the  x-ray  source  motion  blur  of  the  DBT  imaging  system.  We  derived  an  analytical  in-plane  source  blur  kernel  for  DBT  images  based  on  imaging  geometry  and  showed  that  it  could  be  approximated  by  a  shift-invariant  kernel  over  the  DBT  slice  at  a  given  height  above  the  detector.  We  proposed  a  post-processing  image  deblurring  method  with  a  generative  diffusion  model  as  an  image  prior  and  successfully  enhanced  spatial  resolution  of  the  reconstructed  DBT  images.
■590    ▼aSchool  code:  0127.
■650  4▼aBiomedical  engineering
■650  4▼aComputer  science
■650  4▼aElectrical  engineering
■650  4▼aComputer  engineering
■653    ▼aDigital  breast  tomosynthesis
■653    ▼aImage  reconstruction
■653    ▼aDeep  learning
■653    ▼aImage  processing
■653    ▼aMicrocalcification
■653    ▼aImage  quality  evaluation
■690    ▼a0544
■690    ▼a0541
■690    ▼a0984
■690    ▼a0464
■71020▼aUniversity  of  Michigan▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162844▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서