Využití umělých neuronových sítí pro korekci pohybového artefaktu v MR obrazových datech

Abstract

Artefakty způsobené pohybem hlavy během snímání magnetickou rezonancí výrazně zhoršují kvalitu obrazu a mohou ovlivnit diagnostiku. Tato diplomová práce se zaměřuje na jejich potlačení pomocí hlubokých neuronových sítí, konkrétně 3D konvolučních modelů. Byla připravena syntetická datová sada s pohybovými artefakty kombinací simulací v Matlabu a Pythonu, přičemž pohybové scénáře byly navrženy na základě klinické praxe a ověřeny odborníky. Byly porovnány tři tréninkové strategie: trénink na celých 3D objemech, na menších výřezech (patch) a adaptovaná implementace 2D skládaného U-Netu s vlastními priory. Nejlepších výsledků dosáhl model trénovaný na výřezech se vstupní velikostí 64 × 64 × 32 a kombinovanou ztrátovou funkcí střední kvadratické odchylky (MSE) a strukturního indexu podobnosti (SSIM). Výsledky modelu dosáhly hodnot MSE = 0,0015 a SSIM = 0,8750. Statistická analýza potvrdila významné zlepšení SSIM predikovaných výstupů oproti vstupním datům s artefakty. Pro praktické využití byl vytvořen nástroj v jazyce Python se spouštěcím skriptem (.bat), který umožňuje jednoduché použití natrénovaného modelu na nové MRI data.

Head motion artifacts during MRI acquisition significantly degrade image quality and may affect diagnosis. This thesis focuses on their suppression using deep learning, specifically 3D convolutional neural networks. A synthetic dataset with motion artifacts was generated using a combination of simulations in Matlab and Python, with motion scenarios designed based on clinical practice and validated by experts. Three training strategies were compared: full-volume 3D training, patch-based training, and an adapted implementation of a 2D stacked U-Net with self-assisted priors. The best results were achieved by the patch-based model using 64 × 64 × 32 input patches and a combined loss function of Mean Squared Error (MSE) and Structural Similarity Index (SSIM). The model achieved MSE = 0.0015 and SSIM = 0.8750. Statistical analysis confirmed a significant improvement in the SSIM of the predicted outputs compared to the motion-corrupted inputs. For practical use, a Python-based tool with a batch launcher (.bat) was developed, allowing easy application of the trained model to new MRI scans.