MARC

 008250123s2024        us                              c    eng  d
■001000017163828
■00520250211152758
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384039891
■035    ▼a(MiAaPQ)AAI31556136
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616
■1001  ▼aMartin,  Phillip.
■24510▼aDevelopment  of  Novel  Deep  Learning  Techniques  for  Accelerated  Diffusion  MRI
■260    ▼a[Sl]▼bThe  University  of  Arizona▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a104  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Bilgin,  Ali.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Arizona,  2024.
■520    ▼aDiffusion  Magnetic  Resonance  Imaging  (dMRI)  is  an  imaging  modality  of  MRI  that  features  a  non-invasive  technique  for  qualitatively  and  quantitatively  characterizing  microstructural  characteristics  in  tissue.  This  is  achieved  by  dMRI  being  sensitive  to  the  Brownian  motion  of  water  molecules  in  tissue  measured  over  an  applied  magnetic  field  gradient.  The  directional  orientations  of  motion  of  water  molecules  are  estimated  over  an  isotropic  gaussian  propagator.  This  capability  enables  dMRI  to  achieve  resolution  of  microstructural  features  of  up  to  2-3  orders  of  magnitude  below  the  resolution  limit  of  conventional  MRI.  However,  delineation  of  resolving  features  and  characteristics  with  high  degrees  of  architectural  specificities  requires  making  underlying  assumptions  of  the  underlying  diffusion  signals  and  invoking  appropriate  mathematical  and  computational  solutions  to  achieve  this.  One  computational  technique  of  interest  for  dMRI  is  Diffusion  Tensor  Imaging  (DTI).  DTI  enables  anisotropic  measurements  to  be  acquired  by  fitting  multiple  diffusion-weighted  images  (DWIs)  to  a  tensor,  enabling  3D  reconstructions  of  microstructural  features  of  the  brain,  including  the  ability  to  reconstruct  trajectories  of  white-matter  tracts.  Some  of  the  challenges  of  performing  DTI  in  routine  clinical  and  research  studies  include  long  data  acquisition  times  required  to  obtain  sufficiently  large  number  of  DWIs  for  outputting  robust  tensor  estimates.  This  involves  long  scan  times  and  typically  introduces  undesired  image  distortions  and  artifacts  that  deteriorate  image  quality.  In  addition,  DTI  has  limitations  in  accurately  delineating  more  complex  microstructural  features  in  white-matter  tracts.  Models  in  Diffusion  Kurtosis  Imaging  (DKI)  and  Constrained  Spherical  Deconvolution  (CSD)  offer  improvements  over  DTI.  However,  these  models  require  considerably  more  data  than  DTI  and  are  generally  more  complex  to  implement.  Although  some  prior  deep  learning  (DL)  techniques  have  addressed  limitations  of  conventional  diffusion  models,  these  techniques  typically  involve  supervised-learning  frameworks  that  require  large  amounts  of  clean  training  data  to  successfully  produce  robust  estimates  of  metrics  and  are  typically  constrained  to  diffusion-specific  models.  For  this  research,  we  propose  DL  techniques  that  address  some  of  these  challenges.  The  contributions  made  by  this  dissertation  involve  a  Self-Supervised  with  Fine-Tuning  DL  pipeline  that  can  produce  robust  DTI  metrics  for  an  accelerated  acquisition  of  DWIs  and  reduces  the  need  of  a  large  volume  of  clean  training  data.  We  also  demonstrate  a  Generative  Diffusion  Deep  Learning  model  that  can  effectively  leverage  uncertainty  to  generalize  well  to  the  underlying  distribution  of  tensor  model  metrics  in  DTI  and  DKI  and  bypasses  the  need  for  diffusion-model  fits.  We  also  present  a  DL  pipeline,  AcceleraTed  deep-LeArning  for  model-free  and  multi-Shell  (ATLAS)  DWI,  that  can  predict  a  full  acquisition  of  DWIs  across  multiple  shells,  given  an  accelerated  acquisition  in  one  shell  or  multiple  shells.  This  enables  for  the  potential  for  robust  DTI  tensor  estimates,  overcoming  the  requirement  for  large  amounts  of  clean  training  labels,  and  eliminates  the  constraint  of  diffusion-specific  models,  which  introduces  the  exciting  potential  to  obtain  diffusion  metrics  that  more  accurately  delineate  white-matter  tracts.
■590    ▼aSchool  code:  0009.
■650  4▼aMedical  imaging
■650  4▼aNeurosciences
■650  4▼aBiomedical  engineering
■653    ▼aDeep  learning
■653    ▼aDiffusion  Kurtosis  Imaging
■653    ▼aDiffusion  Magnetic  Resonance  Imaging
■653    ▼aDiffusion  Tensor  Imaging
■653    ▼aSelf-supervision
■690    ▼a0574
■690    ▼a0800
■690    ▼a0541
■690    ▼a0317
■71020▼aThe  University  of  Arizona▼bElectrical  &  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0009
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163828▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서