Reconstrução de imagens de ressonância magnética com dados esparsos através de inteligência artificial

Detalhes bibliográficos
Autor(a) principal: Santos, Felipe Cabrera Ribeiro dos
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
Texto Completo: https://www.teses.usp.br/teses/disponiveis/59/59143/tde-30072021-180614/
Resumo: A modalidade de imagens por ressonância magnética nuclear (magnetic resonance imaging - MRI) tem tomado um papel cada vez mais relevante na medicina moderna, apesar dos custos desse tipo de exame permanecerem altos quando comparados aos custos decrescentes de outros exames de imagens. Apesar dos esforços e investimentos em tecnologias, a redução dos custos desses exames ainda é modesta nos últimos anos. Esta proposta de pesquisa estudou a reconstrução de imagens por MRI com dados subamostrados no espaço de frequências (espaço K) através da inteligência artificial (IA), reduzindo o tempo de exame e consequentemente os custos. Este estudo comparou a viabilidade e eficiência desse método em diferentes porcentagens de sub-amostragem. Para isso, foram usados dados brutos de ressonância magnética, os quais foram subamostrados no espaço K, com isso, reduzindo o número de informações da imagem. Em seguida, através de técnicas de IA, como Deep Learning (DL), a imagem esparsa foi passada por um processo de reconstrução. Neste trabalho foi utilizada uma técnica de divisão da imagem em linhas e colunas separadas e trabalhadas como sequências únicas. Tais sequências foram usadas como entrada para uma rede neural e reconstruídas para formar a sequência original, antes da subamostragem. Por fim, foi usado um algoritmo para juntar tais sequencias e formas as novas linhas e colunas da imagem reconstruída. Os resultados de tal processo foram comparados com a imagem original, analisando a eficiência da imagem obtida através de medidas quantitativas da qualidade das imagens reconstruídas, no caso, o índice de similaridade estrutural (stuctural similarity index measure - SSIM) e erro quadrático médio (mean squared error - MSE), para as diferentes ponderações de subamostragens no espaço K. Assim, com esse estudo, foi possível obter um método mais eficaz que o método convencional, reduzindo o tempo necessário para esse processo.
id USP_a126dea669eb39abf448aec931d2b460
oai_identifier_str oai:teses.usp.br:tde-30072021-180614
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Reconstrução de imagens de ressonância magnética com dados esparsos através de inteligência artificialReconstruction of magnetic resonance images with sparce data through artificial intelligenceArtificial intelligenceDados esparsosEspaço kImage reconstructionImageamento por ressonância magnéticaInteligência artificialk-spaceMagnetic resonance imagingReconstrução de imagensSparse dataA modalidade de imagens por ressonância magnética nuclear (magnetic resonance imaging - MRI) tem tomado um papel cada vez mais relevante na medicina moderna, apesar dos custos desse tipo de exame permanecerem altos quando comparados aos custos decrescentes de outros exames de imagens. Apesar dos esforços e investimentos em tecnologias, a redução dos custos desses exames ainda é modesta nos últimos anos. Esta proposta de pesquisa estudou a reconstrução de imagens por MRI com dados subamostrados no espaço de frequências (espaço K) através da inteligência artificial (IA), reduzindo o tempo de exame e consequentemente os custos. Este estudo comparou a viabilidade e eficiência desse método em diferentes porcentagens de sub-amostragem. Para isso, foram usados dados brutos de ressonância magnética, os quais foram subamostrados no espaço K, com isso, reduzindo o número de informações da imagem. Em seguida, através de técnicas de IA, como Deep Learning (DL), a imagem esparsa foi passada por um processo de reconstrução. Neste trabalho foi utilizada uma técnica de divisão da imagem em linhas e colunas separadas e trabalhadas como sequências únicas. Tais sequências foram usadas como entrada para uma rede neural e reconstruídas para formar a sequência original, antes da subamostragem. Por fim, foi usado um algoritmo para juntar tais sequencias e formas as novas linhas e colunas da imagem reconstruída. Os resultados de tal processo foram comparados com a imagem original, analisando a eficiência da imagem obtida através de medidas quantitativas da qualidade das imagens reconstruídas, no caso, o índice de similaridade estrutural (stuctural similarity index measure - SSIM) e erro quadrático médio (mean squared error - MSE), para as diferentes ponderações de subamostragens no espaço K. Assim, com esse estudo, foi possível obter um método mais eficaz que o método convencional, reduzindo o tempo necessário para esse processo.The medical image modality of magnetic resonance imaging (MRI) plays an increasingly important role in modern medicine, despite the high costs of these exams when compared to the decreasing costs of other imaging exams. Despite advances and investments in technologies, the attempt to take advantage of these studies in cost reduction is still modest in recent years. This research proposal aims to study and evaluate the reconstruction of MRI images with subsampled data in the frequency space (K space) through artificial intelligence (AI), with reduction of the examination time and consequently the exam costs. This study compares the feasibility and efficiency in different percentages of the sample. The raw data in K space was sampled in a controlled way to reconstruct the images, resulting in an image with sparse data reducing the number of image information. Then, the sparse data undergoes a reconstruction process through AI techniques such as Deep Learning (DL). The proccess resultss was compared to the original image, analyzing the image efficiency through reconstructed quantitative measures. In this work, the division of the image into separate rows and columns was used and worked as single sequences. These sequences were used as input to a neural network and reconstructed to form the original sequence, before subsampling. Finally, an algorithm was used to join these sequences and shapes to the new rows and columns of the reconstructed image. The results of this process were compared with the original image, analyzing the image efficiency obtained through quantitative measures of the quality of the reconstructed images, in this case, the structural similarity index (SSIM) and the mean square error (mean square error) - MSE), for the different subsampling weights in the K space. Therefore, with this study, it was possible to obtain a more effective method than the conventional method, reducing the time required for this process.Biblioteca Digitais de Teses e Dissertações da USPMurta Junior, Luiz OtavioSalmon, Carlos Ernesto GarridoSantos, Felipe Cabrera Ribeiro dos2021-06-15info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/59/59143/tde-30072021-180614/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2021-08-09T15:17:02Zoai:teses.usp.br:tde-30072021-180614Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212021-08-09T15:17:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Reconstrução de imagens de ressonância magnética com dados esparsos através de inteligência artificial
Reconstruction of magnetic resonance images with sparce data through artificial intelligence
title Reconstrução de imagens de ressonância magnética com dados esparsos através de inteligência artificial
spellingShingle Reconstrução de imagens de ressonância magnética com dados esparsos através de inteligência artificial
Santos, Felipe Cabrera Ribeiro dos
Artificial intelligence
Dados esparsos
Espaço k
Image reconstruction
Imageamento por ressonância magnética
Inteligência artificial
k-space
Magnetic resonance imaging
Reconstrução de imagens
Sparse data
title_short Reconstrução de imagens de ressonância magnética com dados esparsos através de inteligência artificial
title_full Reconstrução de imagens de ressonância magnética com dados esparsos através de inteligência artificial
title_fullStr Reconstrução de imagens de ressonância magnética com dados esparsos através de inteligência artificial
title_full_unstemmed Reconstrução de imagens de ressonância magnética com dados esparsos através de inteligência artificial
title_sort Reconstrução de imagens de ressonância magnética com dados esparsos através de inteligência artificial
author Santos, Felipe Cabrera Ribeiro dos
author_facet Santos, Felipe Cabrera Ribeiro dos
author_role author
dc.contributor.none.fl_str_mv Murta Junior, Luiz Otavio
Salmon, Carlos Ernesto Garrido
dc.contributor.author.fl_str_mv Santos, Felipe Cabrera Ribeiro dos
dc.subject.por.fl_str_mv Artificial intelligence
Dados esparsos
Espaço k
Image reconstruction
Imageamento por ressonância magnética
Inteligência artificial
k-space
Magnetic resonance imaging
Reconstrução de imagens
Sparse data
topic Artificial intelligence
Dados esparsos
Espaço k
Image reconstruction
Imageamento por ressonância magnética
Inteligência artificial
k-space
Magnetic resonance imaging
Reconstrução de imagens
Sparse data
description A modalidade de imagens por ressonância magnética nuclear (magnetic resonance imaging - MRI) tem tomado um papel cada vez mais relevante na medicina moderna, apesar dos custos desse tipo de exame permanecerem altos quando comparados aos custos decrescentes de outros exames de imagens. Apesar dos esforços e investimentos em tecnologias, a redução dos custos desses exames ainda é modesta nos últimos anos. Esta proposta de pesquisa estudou a reconstrução de imagens por MRI com dados subamostrados no espaço de frequências (espaço K) através da inteligência artificial (IA), reduzindo o tempo de exame e consequentemente os custos. Este estudo comparou a viabilidade e eficiência desse método em diferentes porcentagens de sub-amostragem. Para isso, foram usados dados brutos de ressonância magnética, os quais foram subamostrados no espaço K, com isso, reduzindo o número de informações da imagem. Em seguida, através de técnicas de IA, como Deep Learning (DL), a imagem esparsa foi passada por um processo de reconstrução. Neste trabalho foi utilizada uma técnica de divisão da imagem em linhas e colunas separadas e trabalhadas como sequências únicas. Tais sequências foram usadas como entrada para uma rede neural e reconstruídas para formar a sequência original, antes da subamostragem. Por fim, foi usado um algoritmo para juntar tais sequencias e formas as novas linhas e colunas da imagem reconstruída. Os resultados de tal processo foram comparados com a imagem original, analisando a eficiência da imagem obtida através de medidas quantitativas da qualidade das imagens reconstruídas, no caso, o índice de similaridade estrutural (stuctural similarity index measure - SSIM) e erro quadrático médio (mean squared error - MSE), para as diferentes ponderações de subamostragens no espaço K. Assim, com esse estudo, foi possível obter um método mais eficaz que o método convencional, reduzindo o tempo necessário para esse processo.
publishDate 2021
dc.date.none.fl_str_mv 2021-06-15
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/59/59143/tde-30072021-180614/
url https://www.teses.usp.br/teses/disponiveis/59/59143/tde-30072021-180614/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1809091203620143104