Browsing by Subject "Multi-contrast MRI"

Now showing 1 - 5 of 5

Open Access
Çoklu kontrast MRG’de çoklu görüntü geriçatımı
(IEEE, 2021-07-19) Özbey, Muzaffer; Çukur, Tolga
Çoklu kontrastlı manyetik rezonans görüntülerinin (MRG) edinimi, tanı bilgi birikimini artırarak klinik tanıda önemli bir role sahiptir. Hastanın hareketsiz kalması gereken uzun tetkik süreleri, çoklu kontrast MRG edinimini sınırlandırmaktadır. Görüntülerin alt örneklenerek toplanması ve geriçatımı ile tarama süreleri kısaltılabilmektedir. Yaygın yöntemler, tek kontrasta ait alt örneklenmiş MR görüntülerinden aynı kontrasta ait tam örneklenmiş MR görüntüsü üretmektedir. Ancak girdi verisindeki tek kontrastlı MR görüntüsüne ait sınırlı bilgiler, geriçatım performansını sınırlandırmaktadır. Bu yüzden, çoklu kontrast MRG girdi verilerinin kullanımı ile geriçatım performansı artırılabilir. Bu çalışma kapsamında, birden fazla kontrasta ait alt örneklenmiş görüntülerden, tam örneklenmiş görüntüleri eş zamanlı olarak üreten bir çoklu kontrast MRG geriçatım yöntemi önerilmiştir. Önerilen yöntem, yüksek frekans değerlerini daha iyi tahmin ederek oldukça gerçekçi görüntüler üreten çekişmeli üretici ağlar kullanılarak uygulanmıştır. Önerilen yöntem, çoklu kontrast beyin MR görüntüleri içeren verisetinde test edilmiş, sayısal ve görsel değerlendirmeler sonucunda alternatif tekli kontrast geriçatım yöntemine göre daha üstün performans sağladığı kanıtlanmıştır.
Open Access
Çoklu kontrast MRG’de tranfer öğrenme yöntemi ile birleşik geriçatım-sentez
(IEEE, 2021-07-19) Kaftan, İrem; Gevrek, Özgür Bora; Çukur, Tolga
Manyetik rezonans görüntüleme (MRG) birçok hastalığın tanısında kullanılan müdahalesiz ve yumuşak doku kontrastı yüksek olan bir görüntüleme yöntemidir. MR sinyali görüntülenen dokunun yapısına göre değişkenlik gösterdiği için MRG kullanılarak birden fazla kontrast ile görüntü alınması mümkündür. Çoklu kontrast MRG klinik tanıya yönelik bilgi miktarını artırsa da kontrastların tetkik süresi kısıtlamalarından dolayı çekiminin yapılamaması ya da yapılsa bile fazla miktarda gürültü içermesi bu yöntemin kullanımını zorlaştırmaktadır. Bu problemlere yönelik geliştirilen yöntem birleşik geriçatım-sentez sağlayan deterministik sinir ağlarında kaynak ve hedef kontrastlar arasındaki dönüşümün öğrenilmesidir. Proje kapsamında yapılan çalışmalar sonucunda yüksek derecede az örneklenen görüntülerin geriçatımının birleşik geriçatım-sentez modeli ve transfer öğrenme yöntemi ile başarıyla yapıldığı tespit edilmiştir.
Open Access
Image synthesis in multi-contrast MRI with conditional generative adversarial networks
(IEEE, 2019-10) Dar, Salman UH.; Yurt, Mahmut; Çukur, Tolga; Karacan, L.; Erdem, A.; Erdem, E.
Acquiring images of the same anatomy with multiple different contrasts increases the diversity of diagnostic information available in an MR exam. Yet, the scan time limitations may prohibit the acquisition of certain contrasts, and some contrasts may be corrupted by noise and artifacts. In such cases, the ability to synthesize unacquired or corrupted contrasts can improve diagnostic utility. For multi-contrast synthesis, the current methods learn a nonlinear intensity transformation between the source and target images, either via nonlinear regression or deterministic neural networks. These methods can, in turn, suffer from the loss of structural details in synthesized images. Here, in this paper, we propose a new approach for multi-contrast MRI synthesis based on conditional generative adversarial networks. The proposed approach preserves intermediate-to-high frequency details via an adversarial loss, and it offers enhanced synthesis performance via pixel-wise and perceptual losses for registered multi-contrast images and a cycle-consistency loss for unregistered images. Information from neighboring cross-sections are utilized to further improve synthesis quality. Demonstrations on T 1 - and T 2 - weighted images from healthy subjects and patients clearly indicate the superior performance of the proposed approach compared to the previous state-of-the-art methods. Our synthesis approach can help improve the quality and versatility of the multi-contrast MRI exams without the need for prolonged or repeated examinations.
Open Access
Improving image synthesis quality in multi-contrast MRI using transfer learning via autoencoders
(IEEE, 2022-08-29) Selçuk, Şahan Yoruç; Dalmaz, Onat; Ul Hassan Dar, Salman; Çukur, Tolga
The capacity of magnetic resonance imaging (MRI) to capture several contrasts within a session enables it to obtain increased diagnostic information. However, such multi-contrast MRI tests take a long time to scan, resulting in acquiring just a part of the essential contrasts. Synthetic multi-contrast MRI has the potential to improve radiological observations and consequent image analysis activities. Because of its ability to generate realistic results, generative adversarial networks (GAN) have recently been the most popular choice for medical imaging synthesis. This paper proposes a novel generative adversarial framework to improve the image synthesis quality in multi-contrast MRI. Our method uses transfer learning to adapt pre-trained autoencoder networks to the synthesis task and enhances the image synthesis quality by initializing the training process with more optimal network parameters. We demonstrate that the proposed method outperforms competing synthesis models by 0.95 dB on average on a well-known multi-contrast MRI dataset.
Open Access
Skip connections for medical image synthesis with generative adversarial networks
(IEEE, 2022-08-29) Mirza, Muhammad Usama; Dalmaz, Onat; Çukur, Tolga
Magnetic Resonance Imaging (MRI) is an imaging technique used to produce detailed anatomical images. Acquiring multiple contrast MRI images requires long scan times forcing the patient to remain still. Scan times can be reduced by synthesising unacquired contrasts from acquired contrasts. In recent years, deep generative adversarial networks have been used to synthesise contrasts using one-to-one mapping. Deeper networks can solve more complex functions, however, their performance can decline due to problems such as overfitting and vanishing gradients. In this study, we propose adding skip connections to generative models to overcome the decline in performance with increasing complexity. This will allow the network to bypass unnecessary parameters in the model. Our results show an increase in performance in one-to-one image synthesis by integrating skip connections.