Scale-Invariant Deep Learning Approach for QSM Reconstruction: SI-QSM

Simple item page
dc.contributor.advisorTejos Núñez, Cristián Andrés
dc.contributor.advisorLöbel Díaz, Hans-Albert
dc.contributor.authorLarraín De Andraca, José Manuel
dc.contributor.otherPontificia Universidad Católica de Chile. Escuela de Ingeniería
dc.date.accessioned2022-06-06T15:41:14Z
dc.date.available2022-06-06T15:41:14Z
dc.date.issued2022
dc.descriptionTesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2022
dc.description.abstractMapas cuantitativos de susceptibilidad (QSM) es una técnica basada en resonancia magnética que permite cuantificar la susceptibilidad magnética de los tejidos. Esta técnica ha surgido como un biomarcador potencial para varias enfermedades neurológicas. El proceso de reconstrucción QSM implica la resolución de un problema inverso mal comportado. Actualmente las soluciones iterativas resuelven el problema utilizando heurísticas difíciles de implementar y con alto tiempo de cómputo. Métodos aplicando inteligencia artificial han surgido como soluciones alternativas. Pese a su éxito, estos métodos siguen presentando problemas cuando hay un desajuste en la escala espacial entre los conjuntos de datos de entrenamiento y los mapas de susceptibilidad a reconstruir. En este trabajo se propone la alternativa de inteligencia artificial SI-QSM, que incorpora en su algoritmo el estado del arte de entrenamiento y arquitectura. Los datos de entrenamiento se basan en el modelo analítico y la función de perdida equilibrada la norma L1, la norma L2 y una regularización de variación total. La arquitectura está basada en U-net con capas residuales y kernels con diferentes tamaños. SI-QSM fue entrenado a una escala espacial y probado con simulaciones y datos in-vivo de diferentes escalas espaciales. Se comparó las reconstrucciones de SI-QSM con los estados del arte iterativos e inteligencia artificial. Concluyendo que SI-QSM puede inferir QSM precisas a diferentes escalas, sin producir estructuras borrosas, susceptibilidades sesgadas y con un buen control del ruido o artefactos. Además, SI-QSM superó las otras alternativas de inteligencia artificial y produjo reconstrucciones de calidad similar a las obtenidas por las iterativas, pero es sustancialmente más rápido y sin necesidad de utilizar ninguna heurística para ajustar los parámetros.
dc.format.extentx, 29 páginas
dc.fuente.origenSRIA
dc.identifier.urihttps://repositorio.uc.cl/handle/11534/64310
dc.information.autorucEscuela de Ingeniería ; Tejos Núñez, Cristián Andrés ; 0000-0002-8367-155X ; 4027
dc.information.autorucEscuela de Ingeniería ; Löbel Díaz, Hans-Albert ; S/I ; 131278
dc.information.autorucEscuela de Ingeniería ; Larraín De Andraca, José Manuel ; S/I ; 246441
dc.language.isoen
dc.nota.accesoContenido completo
dc.rightsacceso abierto
dc.subjectMagnetic Resonance Imaginges_ES
dc.subjectArtificial Intelligencees_ES
dc.subjectDipole inversiónes_ES
dc.subjectInverse problemses_ES
dc.subjectQuantitative susceptibility mappinges_ES
dc.subject.ddc620
dc.subject.deweyIngenieríaes_ES
dc.subject.otherInteligencia artificial - Investigacioneses_ES
dc.subject.otherImagen de difusión por resonancia magnéticaes_ES
dc.titleScale-Invariant Deep Learning Approach for QSM Reconstruction: SI-QSMes_ES
dc.typetesis de maestría
sipa.codpersvinculados4027
sipa.codpersvinculados131278
sipa.codpersvinculados246441
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
TESIS DE MAGISTER_Scale-Invariant Deep Learning Approach_JMLarraín.pdf
Size:
8.83 MB
Format:
Adobe Portable Document Format
Description:
Download
License bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
1.98 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
3.01 Tesis magíster