MARC

 008250123s2024        us                              c    eng  d
■001000017164729
■00520250211153037
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346740179
■035    ▼a(MiAaPQ)AAI31638176
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a610
■1001  ▼aShou,  Qinyang.
■24510▼aImproving  Arterial  Spin  Labeling  in  Clinical  Application  With  Deep  Learning
■260    ▼a[Sl]▼bUniversity  of  Southern  California▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a122  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Wang,  Danny.
■5021  ▼aThesis  (Ph.D.)--University  of  Southern  California,  2024.
■520    ▼aArterial  spin  labeling  (ASL)  is  a  magnetic  resonance  imaging  (MRI)  technique  that  can  measure  human  cerebral  blood  flow  (CBF)  non-invasively.  However,  clinical  application  of  this  technique  remains  challenging  due  to  the  intrinsic  low  signal-to-noise  ratio  (SNR)  and  long  scan  time.  Also,  heterogeneity  of  ASL  imaging  protocols  across  vendor  platforms  make  quantification  not  reliable.  Traditional  methods  of  denoising  usually  assumes  an  image  models  and/or  noise  characteristics,  which  may  not  well  represent  the  real  data.  Deep  Learning  (DL)-based  models  can  learn  the  underlying  patterns  purely  from  real  data.  Recent  developments  of  DL  in  image  processing  and  image  generation  provide  powerful  tools  to  improve  clinical  applications  of  medical  imaging,  such  as  improving  image  quality,  reducing  time  for  image  acquisition,  etc.  However,  while  a  handful  studies  have  demonstrated  the  feasibility  of  DL  applications  on  ASL,  there  remain  large  gaps  in  the  reliable  application  of  DL  methods  for  improving  the  clinical  use  of  ASL  on  multiple  vendor  platforms  with  different  imaging  protocols  (e.g.,  single-delay  and  multi-delay).  The  purpose  of  this  work  is  to  adapt,  optimize  and  apply  some  of  the  latest  DL  techniques,  including  Transformer  and  diffusion  model  to  improving  the  clinical  translation  of  ASL  by  improving  the  image  quality  and/or  reduce  scan  time,  and  generating  the  missing  modality  to  enable  CBF  quantification  to  improve  standardization  cross  vendors  for  the  Alzheimer's  Disease  Neuroimaging  Initiative  (ADNI)  dataset.There  are  three  specific  aims  in  this  study.  In  the  first  aim,  a  flexible  Transformer-based  DL  denoising  scheme  will  be  developed  and  evaluated  for  3D  ASL  to  improve  SNR  and/or  reduce  scan  time  for  both  single-delay  and  multi-delay  ASL  data.  Our  hypothesis  is  that  with  the  completion  of  aim  1,  we  will  be  able  to  improve  the  image  quality  for  ASL  acquired  from  multiple  vendors  with  the  trained  model  without  introducing  bias  in  quantification  of  cerebral  blood  flow  (CBF)  and/or  arterial  transit  time  (ATT).  In  the  second  aim,  the  proposed  DL  framework  and  the  trained  model  will  be  adapted  to  a  high-resolution  pediatric  multi-delay  ASL  dataset  for  perfusion  imaging  of  pediatric  choroid  plexus.  Since  there  are  no  reference  images  for  this  cutting  edge  application,  some  self-supervised  learning  techniques  will  be  explored.  We  will  compare  the  performance  of  the  proposed  deep  learning  method  with  state-of-the-art  conventional  denoising  method  like  total  generalized  variation  (TGV).  Our  hypothesis  is  that  with  completion  of  aim  2,  the  proposed  deep  learning  method  will  show  better  performance  than  the  traditional  method,  both  improving  image  quality  and  the  test-retest  reliability  for  pediatric  choroid  plexus  perfusion  imaging.In  the  third  aim,  generative  diffusion  model  will  be  applied  to  generating  the  M0    from  the  control  image  for  Siemens  3D  pulsed  ASL  (PASL)  scans  in  the  ADNI-3  dataset,  where  M0  is  not  acquired.  The  generated  M0  can  be  used  to  quantify  CBF  for  analysis  of  CBF  variations  among  subjects  with  normal  cognition,  mild  cognitive  impairment  (MCI)  and  AD.  This  can  help  resolve  the  heterogeneity  of  different  type  of  ASL  scans  to  standardize  quantification  of  CBF  in  the  AD  dataset.  Our  hypothesis  is  that  with  the  completion  of  aim  3,  Siemens  3D  PASL  scans  in  the  ADNI-3  dataset  can  be  used  to  quantify  CBF  with  the  acquired  control  images  and  the  generated  M0.  Analysis  of  CBF  data  from  different  MR  vendors  will  reveal  similar  characteristic  of  deficits  in  quantitative  CBF  in  MCI  and  AD  subjects  compared  to  normal,  which  can  show  better  differentiation  between  AD  and  normal  people  compared  to  using  non-standardized  perfusion  images.In  conclusion,  with  the  completion  of  the  three  specific  aims,  we  will  show  that  latest  DL  methods  such  as  Transformers  and  diffusion  models  have  the  potential  to  improve  ASL  in  clinical  applications  by  enhancing  the  image  quality  and  better  standardization.
■590    ▼aSchool  code:  0208.
■650  4▼aBiomedical  engineering
■653    ▼aArterial  spin  labeling
■653    ▼aClinical  application
■653    ▼aDeep  learning
■690    ▼a0541
■690    ▼a0800
■71020▼aUniversity  of  Southern  California▼bBiomedical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0208
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164729▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books