Original title: HLUBOKÉ UČENÍ PRO KVANTIFIKACI JEDNOVOXELOVÝCH A MULTIDIMENZIONÁLNÍCH MR SPEKTROSKOPICKÝCH SIGNÁLŮ A JEHO SROVNÁNÍ S NELINEÁRNÍM FITOVÁNÍM METODOU NEJMENŠÍCH ČTVERCŮ
Translated title: DEEP LEARNING FOR SINGLE-VOXEL AND MULTIDIMENSIONAL MR-SPECTROSCOPIC SIGNAL QUANTIFICATION, AND ITS COMPARISON WITH NONLINEAR LEAST-SQUARES FITTING
Authors: Shamaei, Amir Mohammad ; Latta,, Peter (referee) ; Kozubek, Michal (referee) ; Jiřík, Radovan (advisor)
Document type: Doctoral theses
Year: 2023
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract: [eng] [cze]
Pro získání koncentrace metabolitů ve vyšetřované tkáni ze signálů magnetické rezonanční spektroskopie (MRS) je nezbytné provézt předzpracování, analýzu a kvantifikaci MRS signálu. Rychlý, přesný a účinný proces zpracování (předzpracování, analýza a kvantifikace) MRS dat je však náročný. Tato práce představuje nové přístupy pro předzpracování, analýzu a kvantifikaci MRS dat založené na hlubokém učení (DL). Navržené metody potvrdily schopnost použití DL pro robustní předzpracování dat, rychlou a efektivní kvantifikaci MR spekter, odhad koncentrací metabolitů in vivo a odhad nejistoty kvantifikace. Navržené přístupy výrazně zlepšily rychlost předzpracování a kvantifikace MRS signálu a prokázaly možnost použití DL bez učitele. Z hlediska přesnosti byly získány výsledky srovnatelné s tradičními metodami. Dále byl zaveden standardní formát dat, který usnadňuje sdílení dat mezi výzkumnými skupinami pro aplikace umělé inteligence. Výsledky této studie naznačují, že navrhované přístupy založené na DL mají potenciál zlepšit přesnost a efektivitu zpracování MRS dat pro lékařskou diagnostiku. Disertační práce je rozdělena do čtyř částí: úvodu, přehledu současného stavu výzkumu, shrnutí cílů a úkolů a souboru publikací, které představují autorův přínos v oblasti aplikací DL v MRS. Preprocessing, analysis, and quantification of Magnetic resonance spectroscopy (MRS) signals are required for obtaining the metabolite concentrations of the tissue under investigation. However, a fast, accurate, and efficient post-acquisition workflow (preprocessing, analysis, and quantification) of MRS is challenging. This thesis introduces novel deep learning (DL)-based approaches for preprocessing, analysis, and quantification of MRS data. The proposed methods achieved the objectives of robust data preprocessing, fast and efficient MR spectra quantification, in-vivo concentration quantification, and the uncertainty estimation of quantification. The results showed that the proposed approaches significantly improved the speed of MRS signal preprocessing and quantification in a self-supervised manner. Our proposed methods showed comparable results with the traditional methods in terms of accuracy. Furthermore, a standard data format was introduced to facilitate data sharing among research groups for artificial intelligence applications. The findings of this study suggest that the proposed DL-based approaches have the potential to improve the accuracy and efficiency of MRS for medical diagnosis. The dissertation is structured into four parts: an introduction, a review of state-of-the-art research, a summary of the aims and objectives, and a collection of publications that showcase the author's contribution to the field of DL applications in MRS.
Keywords: frekvenční a fázová korekce; hluboké učení; inverzní problém; konvoluční neuronová síť; kvantifikace metabolitů; MR spektroskopie; strojové učení; convolutional neural network; deep learning; frequency and phase correction.; inverse problem; machine learning; metabolite quantification; MR spectroscopy

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/213741

Permalink: http://www.nusl.cz/ntk/nusl-533136


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Doctoral theses