Mélytanulásos algoritmusok alkalmazása MR képek minőségének javítására 3T preklinikai MRI készüléken

Nyomtatóbarát változatNyomtatóbarát változat
Cím angolul: 
Application of deep learning algorithms for image quality enhancement of a 3T preclinical MRI scanner
Típus: 
MSc diplomamunka téma - orvosi fizika
Félév: 
2020/21/2.
Témavezető: 
Név: 
Kovács Ákos
Email cím: 
akos.kovacs@mediso.com
Intézet/Tanszék/Cégnév: 
Mediso Kft.
Beosztás: 
Fejlesztő informatikus
Konzulens: 
Név: 
Dr. Légrády Dávid
Email cím: 
legrady@reak.bme.hu
Intézet/Tanszék: 
NTI
Beosztás: 
egy.docens
Elvárások: 

angol nyelvtudás, önálló munkavégzés, kísérletező kedv

Leírás: 

Az utóbbi évek egyik legjelentősebb és legdinamikusabban fejlődő orvosi képalkotó modalitása a Mágneses Rezonancia Képalkotás (MRI). Az ionizáló sugárzás hiányán túl az MRI nagy előnye, hogy változatos képalkotási eljárások, ún. pulzusszekvenciák alkalmazásával különböző kontrasztokat érhetünk el, többféle strukturális és funkcionális információt nyerhetünk a páciensből.

A neurális hálózatok használata egyre elterjedtebbé válik az orvosi képalkotásban és a diagnosztikában. A rendszerek betanítására azonban jelentős adatmennyiségre van szükség, melyek egy fejlesztés alatt álló eszköznél nem állnak rendelkezésünkre. Jelentős időnek kell eltelnie, hogy releváns vizsgálatokat tartalmazó felvételadatbázis jöjjön létre. A régebbi eszközökhöz nagyobb mennyiségű felvétel, esetenként akár normáladatbázis is elérhető, így a gépi tanuláson alapuló módszerek bevethetőek.

A Mediso Kft. által kifejlesztett módszer képes egerek MRI felvételeit feljavítani zajszűrés segítségével. Az algoritmus 2D-s, UNET architektúrájú és autoenkóder jellegűen működik. A megoldás különlegessége, hogy a csekély felvételszám miatt szimulált zajosítást alkalmaz különféle rosszabb statisztikájú felvételek létrehozására és nagymértékben támaszkodik az augmentációs technikákra.

A hallgató feladata a terület irodalmának áttekintése, a Medisoban elkészített megoldás átvétele és továbbfejlesztése. A neurális hálózatokon alapuló megoldások jellegzetessége, hogy összetett funkcionális teszteléseket igényelnek, melyekhez a metrikák és módszertanok kidolgozása is feladat.

A BME Nukleáris Technika Tanszéke részt vesz a Mediso Kft. 3T preklinikai kombinált PET-MRI készülékének fejlesztésében, az MRI mérési és rekonstrukciós eljárások területén. A hallgatónak a diplomamunka készítése során lehetősége lesz az eredményeket a Semmelweis Egyetem Biofizikai Intézetén folyó onkológiai és neurológiai kutatásaiban hasznosítani.

A hallgató feladatai:

  • Ismerkedjen meg egy neurális hálózatokat kezelő keretrendszerrel (pl.: TensorFlow, PyTorch)!
  • Végezzen irodalomkutatást a különböző zajszűrésre használható neurális hálózat alapú megoldásokról!
  • Vizsgálja meg az MR képalkotás folyamatát a zajszűrés, illetve a felvételek szimulációjának szempontjából!
  • Ismerje meg a Mediso zajszűrő megoldását, mérje fel annak előnyeit, hátrányait a konkurens megoldásokkal szemben!
  • Fejlessze tovább a megoldást vagy implementáljon egy kiválasztott megoldást az MRI felvételek szűrésére!
  • Hasonlítsa össze a két megoldás teljesítményét valós adatokon!
  • Értékelje a megoldás teljesítményét és robusztusságát!
  • Vizsgálja meg a feladat adatfüggőségét és egyéb követelményeit!
  • Vonjon le következtetéseket!

 

Titkosítas: 
Hozzáférés nincs korlátozva