HLUBOKÉ UČENÍ PRO KVANTIFIKACI JEDNOVOXELOVÝCH A MULTIDIMENZIONÁLNÍCH MR SPEKTROSKOPICKÝCH SIGNÁLŮ A JEHO SROVNÁNÍ S NELINEÁRNÍM FITOVÁNÍM METODOU NEJMENŠÍCH ČTVERCŮ

Simple item page
but.committeeprof. Ing. Valentýna Provazník, Ph.D. (předseda) doc. Ing. Daniel Jirák Ph.D. (člen) doc. Ing. Filip Šroubek, Ph.D. DSc. (člen) prof. RNDr. Michal Kozubek, Ph.D. - oponent (člen) doc. Ing. Radim Kolář, Ph.D. (člen) Ing. Jiří Chmelík, Ph.D. (člen)cs
but.defenceDoktorand uspokojivě odpověděl na všechny otázky oponentů a členů komise pro obhajobu.cs
but.jazykangličtina (English)
but.programBiomedicínské technologie a bioinformatikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorJiřík, Radovanen
dc.contributor.authorShamaei, Amirmohammaden
dc.contributor.refereeLatta,, Peteren
dc.contributor.refereeKozubek, Michalen
dc.date.created2023cs
dc.description.abstractPro 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.en
dc.description.abstractPreprocessing, 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.cs
dc.description.markPcs
dc.identifier.citationSHAMAEI, A. HLUBOKÉ UČENÍ PRO KVANTIFIKACI JEDNOVOXELOVÝCH A MULTIDIMENZIONÁLNÍCH MR SPEKTROSKOPICKÝCH SIGNÁLŮ A JEHO SROVNÁNÍ S NELINEÁRNÍM FITOVÁNÍM METODOU NEJMENŠÍCH ČTVERCŮ [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.cs
dc.identifier.other153309cs
dc.identifier.urihttp://hdl.handle.net/11012/213741
dc.language.isoencs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectMR spektroskopieen
dc.subjectinverzní problémen
dc.subjecthluboké učeníen
dc.subjectstrojové učeníen
dc.subjectkonvoluční neuronová síťen
dc.subjectkvantifikace metabolitůen
dc.subjectfrekvenční a fázová korekceen
dc.subjectMR spectroscopycs
dc.subjectinverse problemcs
dc.subjectdeep learningcs
dc.subjectmachine learningcs
dc.subjectconvolutional neural networkcs
dc.subjectmetabolite quantificationcs
dc.subjectfrequency and phase correction.cs
dc.titleHLUBOKÉ UČENÍ PRO KVANTIFIKACI JEDNOVOXELOVÝCH A MULTIDIMENZIONÁLNÍCH MR SPEKTROSKOPICKÝCH SIGNÁLŮ A JEHO SROVNÁNÍ S NELINEÁRNÍM FITOVÁNÍM METODOU NEJMENŠÍCH ČTVERCŮen
dc.title.alternativeDEEP LEARNING FOR SINGLE-VOXEL AND MULTIDIMENSIONAL MR-SPECTROSCOPIC SIGNAL QUANTIFICATION, AND ITS COMPARISON WITH NONLINEAR LEAST-SQUARES FITTINGcs
dc.typeTextcs
dc.type.driverdoctoralThesisen
dc.type.evskpdizertační prácecs
dcterms.dateAccepted2023-08-18cs
dcterms.modified2023-09-08-13:13:17cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid153309en
sync.item.dbtypeZPen
sync.item.insts2025.03.27 12:11:04en
sync.item.modts2025.01.17 09:44:10en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrstvícs
thesis.levelDoktorskýcs
thesis.namePh.D.cs
Files
Original bundle
Now showing 1 - 5 of 5
Thumbnail Image
Name:
final-thesis.pdf
Size:
24.05 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
thesis-1.pdf
Size:
334.76 KB
Format:
Adobe Portable Document Format
Description:
thesis-1.pdf
Download
Thumbnail Image
Name:
Posudek-Oponent prace-Opponent Review dr. Latta_dissertation Shamaei.pdf
Size:
3.69 MB
Format:
Adobe Portable Document Format
Description:
Posudek-Oponent prace-Opponent Review dr. Latta_dissertation Shamaei.pdf
Download
Thumbnail Image
Name:
Posudek-Oponent prace-Opponent Review prof. Kozubek_dissertation Shamaei.pdf
Size:
2.65 MB
Format:
Adobe Portable Document Format
Description:
Posudek-Oponent prace-Opponent Review prof. Kozubek_dissertation Shamaei.pdf
Download
Thumbnail Image
Name:
review_153309.html
Size:
4.37 KB
Format:
Hypertext Markup Language
Description:
file review_153309.html
Download
Collections
2023