Εμφάνιση απλής εγγραφής

Η βελτίωση της εικόνας και του χρόνου διενέργειας εξέτασης στην μαγνητική τομογραφία με την συμβολή της τεχνητής νοημοσύνης

dc.contributor.advisorΦούντος, Γεώργιος
dc.contributor.authorΒαρελάς, Ιωάννης
dc.date.accessioned2024-07-18T13:00:35Z
dc.date.available2024-07-18T13:00:35Z
dc.date.issued2024-07-09
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/7102
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-6936
dc.description.abstractΒελτίωση του χρόνου διενέργειας εξέτασης στην μαγνητική τομογραφία και αντιμετώπιση των θεμελιωδών περιορισμών ποιότητας εικόνας(εικόνες MR υψηλής ανάλυσης, χαμηλού θορύβου) κατά την συμβατική ανακατασκευή εικόνων μέσω της τεχνητής νοημοσύνης. Η ενσωμάτωση της τεχνητής νοημοσύνης (AI) με την απεικόνιση μαγνητικού συντονισμού (MRI) έχει τη δυνατότητα να φέρει επανάσταση στον τομέα της ιατρικής απεικόνισης. Ακολουθούν ορισμένοι τομείς όπου η τεχνητή νοημοσύνη και η μαγνητική τομογραφία μπορούν να συνδυαστούν: Ανάλυση εικόνας: Οι αλγόριθμοι AI μπορούν να χρησιμοποιηθούν για την αυτοματοποίηση της ανάλυσης εικόνων MRI, επιτρέποντας ταχύτερες και ακριβέστερες διαγνώσεις. Αυτό θα μπορούσε να βοηθήσει στη μείωση του χρόνου και των πόρων που απαιτούνται για τη μη αυτόματη ανάλυση εικόνας, καθώς και στη βελτίωση της ακρίβειας των διαγνωστικών αποφάσεων. Βελτιστοποίηση εικόνας: Οι αλγόριθμοι AI μπορούν να χρησιμοποιηθούν για τη βελτιστοποίηση των πρωτοκόλλων απεικόνισης MRI, συμπεριλαμβανομένου του σχεδιασμού ακολουθίας παλμών, της ανακατασκευής εικόνας και της ανάλυσης εικόνας. Αυτό θα μπορούσε να οδηγήσει σε βελτιωμένη ποιότητα εικόνας και μειωμένους χρόνους σάρωσης, γεγονός που θα μπορούσε να οδηγήσει σε ταχύτερες και πιο άνετες εξετάσεις για τους ασθενείς. Προγνωστική ανάλυση: Οι αλγόριθμοι τεχνητής νοημοσύνης μπορούν να χρησιμοποιηθούν για την ανάλυση μεγάλων ποσοτήτων δεδομένων απεικόνισης, επιτρέποντας την ανάπτυξη προγνωστικών μοντέλων για διάφορες ασθένειες. Αυτό θα μπορούσε να βοηθήσει τους παρόχους υγειονομικής περίθαλψης να λάβουν πιο ενημερωμένες αποφάσεις σχετικά με τη φροντίδα και τη θεραπεία ασθενών. Ωστόσο η εργασία θα αναφερθεί εκτενώς στην Βελτιστοποίηση εικόνας μέσω αλγορίθμων ΑΙ. Ωστόσο, ο παρατεταμένος χρόνος λήψης μαγνητικής τομογραφίας αυξάνει το κόστος σάρωσης και περιορίζει την χρήση της σε περίπτωση έκτακτης ανάγκης. Επιπλέον, οι εξεταζόμενοι πρέπει να παραμένουν ακίνητοι στους σαρωτές να κρατούν ακόμη και την αναπνοή για θωρακικές ή κοιλιακές απεικονίσεις. Ο λόγος για τον αργό ρυθμό της MRΙ είναι ότι, σε αντίθεση με άλλες μεθόδους απεικόνισης, π.χ. ακτινογραφία και αξονική τομογραφία, τα δεδομένα της MRΙ συγκεντρώνονται στον k-χώρο. Ο χώρος k σχετίζεται στον τομέα της εικόνας μέσω του μετασχηματισμού Fourier και αντιπροσωπεύει τις πληροφορίες χωρικής συχνότητας. Στη διάρκεια της μαγνητικής τομογραφίας, λαμβάνονται μέτρα στο k-space διαδοχικά παρά ταυτόχρονα, παρατείνοντας έτσι ο χρόνος σάρωσης. Για να αντιμετωπιστεί αυτός ο περιορισμός, ο χώρος k μπορεί να υποδειγματιστεί, δηλαδή να μην γίνει πλήρης δειγματοληψία. Τα δεδομένα k-space που λείπουν στη συνέχεια συνάγονται από τα υπάρχοντα σημεία k-χώρου. Αυτό οδηγεί σε επιτάχυνση που είναι αντιστρόφως ανάλογη με η αναλογία υποδειγματοληψίας. Φυσικά η υποδειγματοληψία οδηγεί σε μείωση της ποιότητας της εικόνας. Οι τεχνικές βαθιάς μάθησης μπορούν να χρησιμοποιηθούν με νευρωνικά δίκτυα (ANN) για την εκμάθηση της διαδικασίας ανακατασκευής και βελτιστοποίηση της ποιότητας της τελικής εικόνας καθώς και του χρόνου εξέτασης. Ως εκ τούτου, η αργή λήψη εικόνων μαγνητικού συντονισμού (MR) παρουσιάζει σημαντική ταλαιπωρία για ασθενείς και τα συστήματα υγειονομικής περίθαλψης. Για αυτόν τον λόγο, η παρούσα εργασίας θα εξετάσει, εάν η τεχνητή νοημοσύνη (AI) επιτρέπει τις σαρώσεις μαγνητικού συντονισμού (MRI) να γίνονται πιο γρήγορα ή όχι, με λιγότερη ακρίβεια, ελπίζοντας να επιτρέπεται σε περισσότερους ασθενείς να κάνουν τις εξετάσεις τους.el
dc.format.extent195el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectΙατρική απεικόνισηel
dc.subjectΜαγνητική τομογραφίαel
dc.subjectΤεχνητή νοημοσύνηel
dc.subjectΑγωγοί τεχνητής νοημοσύνηςel
dc.subjectACR ομοίωμαel
dc.titleΗ βελτίωση της εικόνας και του χρόνου διενέργειας εξέτασης στην μαγνητική τομογραφία με την συμβολή της τεχνητής νοημοσύνηςel
dc.title.alternativeThe improvement of the image and examination time in MRI with the contribution of artificial intelligenceel
dc.typeΜεταπτυχιακή διπλωματική εργασίαel
dc.contributor.committeeKalyvas, Nektarios
dc.contributor.committeeMichail, Christos
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Βιοϊατρικήςel
dc.contributor.masterΠροηγμένα Συστήματα & Μέθοδοι στη Βιοϊατρική Τεχνολογίαel
dc.description.abstracttranslatedImproving the examination time in MRI and addressing fundamental image quality constraints (high-resolution, low-noise MR images) during conventional image reconstruction by artificial intelligence. The integration of artificial intelligence (AI) with magnetic resonance imaging (MRI) has the potential to revolutionize the field of medical imaging. Here are some areas where AI and MRI can be combined: Image analysis: AI algorithms can be used to automate the analysis of MRI images, enabling faster and more accurate diagnoses. This could help reduce the time and resources required for manual image analysis, as well as improve the accuracy of diagnostic decisions. Image optimisation: AI algorithms can be used to optimize MRI imaging protocols, including pulse sequence planning, image reconstruction, and image analysis. This could lead to improved image quality and reduced scan times, which could result in faster and more comfortable exams for patients. Predictive analysis: AI algorithms can be used to analyse large amounts of imaging data, allowing the development of predictive models for various diseases. This could help healthcare providers make more informed decisions about patient care and treatment. So far in our paper we will extensively report on Image Optimization through AI algorithms. However, the prolonged MRI acquisition time increases the cost of scanning and limits its use in case of emergency. In addition, subjects must remain motionless on the scanners to even hold their breath for chest or abdominal imaging. The reason for the slow rate of MRI is that, unlike other imaging modalities, e.g., radiography and CT scanning, MRI data is concentrated in k-space. The k-space is related to the image domain through the Fourier transform and represents the spatial frequency information. During MRI, measures in k-space are taken sequentially rather than simultaneously, thus prolonging the scan time. To deal with this limitation, the space k can be subsampled, i.e. not fully sampled. The missing k-space data is then inferred from the existing k-space points. This leads to an acceleration that is inversely proportional to the subsampling ratio; of course, subsampling leads to a reduction in image quality. Deep learning techniques can be used with neural networks (ANN) to learn the reconstruction process and optimize the quality of the final image and the examination time. Therefore, slow magnetic resonance (MR) image acquisition presents a significant inconvenience to patients and healthcare systems. Therefore, our work will examine whether artificial intelligence (AI) enables magnetic resonance imaging (MRI) scans to be done faster with no less accuracy, hopefully allowing more patients to be allowed to have their exams.el


Αρχεία σε αυτό το τεκμήριο

Thumbnail

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές