MARC

 008250123s2024        us                              c    eng  d
■001000017160305
■00520250211150954
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383567142
■035    ▼a(MiAaPQ)AAI30993418
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616
■1001  ▼aZhou,  Bo.
■24510▼aDeep  Learning  for  Multi-modal  Tomography  Imaging:  Radiation  Dose,  Image  Artifacts,  and  Acquisition  Time  Reductions
■260    ▼a[Sl]▼bYale  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a232  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-01,  Section:  B.
■500    ▼aAdvisor:  Liu,  Chi;Duncan,  James.
■5021  ▼aThesis  (Ph.D.)--Yale  University,  2024.
■520    ▼aPET-CT/MRI  is  the  most  used  multi-modal  tomography  imaging  exam  which  can  provide  both  functional  and  anatomical  information  from  a  single  exam  and  aid  clinical  decision-making.  The  CT/MRI  component  focuses  on  visualizing  the  anatomical  structures,  and  the  PET  component  focuses  on  visualizing  molecular-level  functional  activities  in  tissues.  Millions  of  PET-CT/MRI  scans  were  performed  each  year  worldwide  with  wide  applications  in  oncology,  cardiology,  neurology,  and  biomedical  research.  While  being  an  indispensable  multi-modal  tomography  imaging  tool  in  medicine,  PET-CT/MRI  has  several  key  issues  limiting  its  broader  impacts  on  patients,  including  1)  the  potential  hazard  caused  by  radiation  dose  from  the  PET  and  CT,  2)  the  degraded  image  quality  caused  by  reduced  dose,  metal  implants,  and  motions,  and  3)  the  prolonged  acquisition  time  with  increased  motion  and  patient  discomfort.  Therefore,  this  dissertation  aims  to  address  these  challenges  by  developing  a  line  of  deep-learning  techniques  for  PET-CT/MRI  radiation  dose,  image  artifacts,  and  acquisition  time  reductions.  Starting  with  CT,  we  first  proposed  a  cascade  reconstruction  network  with  projection  data  fidelity  for  CT  acquired  with  a  reduced  number  of  X-ray  projections,  thus  reducing  the  radiation  dose  of  the  CT  component.  To  address  the  metal  artifacts  under  the  low-dose  acquisition  conditions,  we  built  up  the  concepts  of  dual-domain  learning  that  learn  signal  restoration  in  both  the  image  domain  and  the  original  data  acquisition  domain,  i.e.  sinogram.  In  PET  imaging,  to  reduce  the  radiation  dose  and  motion,  we  proposed  the  first  AI  reconstruction  framework  for  low-dose  gated  PET  imaging.  We  devised  a  unified  motion  correction  and  denoising  deep  network  that  allows  joint  optimization  of  motion  estimation/correction  among  low-dose  gated  images  and  denoising  of  the  motion-compensated  image  for  high-quality  PET  reconstruction.  To  further  reduce  the  PET  acquisition  time  and  correct  motion  regardless  of  type,  we  developed  a  deep-learning-aided  reconstruction  framework  that  allows  modeling-free  quasi-continuous  motion  estimation  via  a  deep  registration  model,  and  conversion  from  short  to  long-acquisition  image  via  a  deep  generative  model.  To  enable  training  from  multi-institutional  data  for  obtaining  a  robust  deep  denoising  model  for  PET,  we  also  devised  the  first  personalized  deep  denoising  solution  for  multi-institutional  co-training  with  no  data  sharing.  To  further  reduce  radiation  in  PET/CT,  we  built  a  population-prior-aided  deep  generation  method  for  generating  the  attenuation  map  directly  from  low-dose  PET  to  eliminate  the  need  for  CT  for  PET  attenuation  correction.  Lastly,  to  accelerate  MRI  acquisition,  we  developed  a  dual-domain  self-supervised  learning  scheme  that  allows  high-quality  accelerated  MRI  reconstruction  without  fully-sample  k-space  data  as  ground  truth.  In  summary,  the  proposed  techniques  each  aim  to  address  a  specific  set  of  challenges  in  PET-CT/MRI,  collectively  adding  new  insights  into  how  we  can  use  AI  to  transform  nuclear  medicine  imaging  into  a  more  safe,  efficient,  and  high-quality  exam  tool  for  patient  healthcare.
■590    ▼aSchool  code:  0265.
■650  4▼aMedical  imaging
■650  4▼aComputer  science
■653    ▼aComputed  Tomography
■653    ▼aDeep  Learning
■653    ▼aMagnetic  Resonance  Imaging
■653    ▼aNuclear  Medicine
■653    ▼aPositron  Emission  Tomography
■690    ▼a0574
■690    ▼a0800
■690    ▼a0984
■71020▼aYale  University▼bBiomedical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-01B.
■790    ▼a0265
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160305▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books