Manyetik parçacık görüntüleme için evrişimsel sinir ağı tabanlı bir süper-çözünürlük tekniği

Abstract

Manyetik Parçacık Görüntüleme (MPG), süperparamanyetik demir-oksit (SPDO) parçacıklarının yüksek çözünürlük ve kare hızında görüntülenmesini sağlayan bir görüntüleme yöntemidir. Görüntüleme işlemi doğrusal olarak modellenebilmektedir. Ancak deneysel sistemlerin ideal dışı davranışı ve teorik sistemlere kıyasla değişimlerinden dolayı, MPG sistemlerinde çoğu durumda öncelikli olarak ileri model matrisi ölçülür (sistem kalibre edilir) ve ardından bu matrisler kullanılarak görüntülerin geriçatımı yapılır. Görüntü çözünürlüğü ve boyutu doğrudan sistem matrisinin boyutundan etkilenmektedir. Ancak, kalibrasyon işlemi görüntüleme alanına bağlı olarak çok zaman almaktadır. Bu çalışmada, düşük çözünürlükte ölçülen sistem matrisleri üzerinde süper-çözünürlük teknikleri kullanılarak yüksek çözünürlüklü sistem matrisi elde edilmesi önerilmektedir. Bu amaç doğrultusunda evrişimsel sinir ağı (ESA) tabanlı bir süperçözünürlük tekniği MPG için uyarlanmış ve doğrusal aradeğerlemeye (interpolasyon) karşı etkinliği gösterilmiştir. Yöntemler gürültüsüz bir benzetim ortamında kıyaslanmış ve 4 4 kat süper-çözünürlük için, önerilen yöntem %2.92 normalize edilmiş ortalama kare hatasına yol açarken, bikübik aradeğerlemenin %12.47 hataya yol açtığı gösterilmiştir. Magnetic Particle Imaging (MPI) is a new imaging technique that allows high resolution & high frame-rate imaging of super-paramagnetic iron-oxide (SPIOs) particles. The imaging process can be modeled linearly. However, due to non-idealities and variations of the experimental system in time, many MPI systems first measure the forward model matrix (i.e. calibrate the system), then reconstruct frames from the measurements using these matrices. The image resolution and size is directly affected by the size of the system matrix. However, the calibration process may consume a lot of time depending on the field of view and resolution. In this study, we propose applying superresolution techniques on measured low-resolution system matrices to get to high resolution system matrices. Here, we propose a convolutional neural network (CNN) based super-resolution technique tailored for MPI, and show its effectiveness against linear interpolation. The methods are compared in a noiseless simulation environment, and for a super-resolution factor of 4 4, our proposed technique resulted in %2.92 normalized Root Mean Squared Error (nRMSE), while bicubic interpolation techniques resulted in %12.47 nRMSE.