• شماره مدرك
    21232
  • شماره راهنما
    18183
  • پديد آورنده

    العويدي، مجتبي

  • عنوان

    بازسازي تصاوير CT از روي داده هاي پروجكشن ناقص با استفاده از يادگيري عميق

  • مقطع تحصيلي
    كارشناسي ارشد
  • گرايش تحصيلي
    بيوالكتريك
  • محل تحصيل
    اصفهان : دانشگاه صنعتي اصفهان
  • سال دفاع
    1405
  • صفحه شمار
    117ص
  • توصيفگر ها

    بازسازي تصاوير CT با تعداد نماهاي محدود , داده‌هاي پروجكشن ناقص , يادگيري عميق در حوزه تصوير , مدل‌سازي آگاه از فركانس , ريزتنظيم هدايت‌شده با SeedNet , حذف مؤلفه NoFreqUNet-style

  • تاريخ ورود اطلاعات
    1405/06/21
  • كتابنامه
    كتابنامه
  • رشته تحصيلي
    مهندسي پزشكي
  • دانشكده
    مهندسي برق و كامپيوتر
  • تاريخ ويرايش اطلاعات
    1405/06/21
  • كد ايرانداك
    23249415
  • چكيده فارسي
    اين پايان‌نامه به بررسي بازسازي تصاوير توموگرافي كامپيوتري (CT) از روي داده‌هاي پروجكشن ناقص با استفاده از يادگيري عميق مي‌پردازد. در اين چارچوب، تمركز پژوهش بر رويكرد يادگيري عميق در حوزه تصوير براي ترميم تصاوير CT با تعداد نماهاي محدود است. در CT با تعداد نماهاي محدود، تعداد نماهاي پروجكشن كاهش مي‌يابد؛ بااين‌حال، كم‌نمونه‌برداري زاويه‌اي پس از پس‌افكني فيلترشده (FBP) موجب ايجاد آرتيفكت‌هاي رگه‌اي ساختاريافته، اعوجاج لبه، سوگيري شدت و از دست رفتن جزئيات آناتوميكي مي‌شود. از نظر روش‌شناختي، اين پژوهش بر ترميم پس از بازسازي تمركز دارد؛ به‌گونه‌اي كه ورودي، تصوير FBP با تعداد نماهاي محدود و تصوير مرجع، تصوير متناظر CT با دوز كامل است. يك پياده‌سازي مستقل مبتني بر PyTorch و هم‌راستا با FreeSeed با استفاده از داده‌هاي CT با دوز كامل Mayo/AAPM، شامل برش‌هاي 1.0 mm و هسته B30f، توسعه داده شد. مجموعه داده شامل 5936 برش CT بود كه به 5410 برش آموزشي و 526 برش آزمون تقسيم شد و تصاوير به اندازه 256 × 256 پيكسل تغيير اندازه يافتند. ورودي‌هاي با تعداد نماهاي محدود در N_v = 18, 36, 72, 144 با استفاده از خط لوله شبيه‌سازي بادبزني ASTRA توليد شدند. روش‌هاي ارزيابي‌شده شامل FBP، FBPConv-style، FreeNetUNet-style، ريزتنظيم هدايت‌شده با SeedNet، مدل حذف مؤلفه NoFreqUNet-style و پالايش FreqTransNetRefine-style بودند. ارزيابي با استفاده از PSNR، SSIM، RMSE، آزمون‌هاي آماري جفت‌شده، مقايسه كيفي و نقشه‌هاي خطاي مطلق انجام شد. نتايج نشان دادند كه FreeNetUNet-style نسبت به خطوط مبناي FBP و FBPConv-style بهبود ايجاد مي‌كند. مطالعه حذف مؤلفه از نقش مدل‌سازي آگاه از فركانس پشتيباني كرد. ريزتنظيم هدايت‌شده با SeedNet بهبود اضافي وابسته به تعداد نما فراهم نمود، درحالي‌كه FreqTransNetRefine-style ستون فقرات FreeNetUNet-style را به‌طور پيوسته بهبود داد و قوي‌ترين بهبود هم‌زمان در همه معيارها در N_v = 18 مشاهده شد. اين پژوهش ادعاي بازتوليد رسمي FreeSeed، اعتبارسنجي باليني يا برتري جهان‌شمول را مطرح نمي‌كند.
  • چكيده انگليسي
    This thesis investigates computed tomography (CT) image reconstruction from incomplete projection data using deep learning. Within this framewo‎rk, the study focuses on an image-domain deep learning approach fo‎r resto‎ring sparse-view CT images. In sparse-view CT, the number of projection views is reduced; however, angular undersampling results in structured streak artifacts, edge disto‎rtion, intensity bias, an‎d loss of anatomical detail after filtered back-projection (FBP). From a methodological perspective, this study focuses on post-reconstruction resto‎ration, where the input is a sparse-view FBP image an‎d the reference is the co‎rresponding full-dose CT image. An independent PyTo‎rch implementation aligned with FreeSeed was developed using Mayo/AAPM full-dose CT data, with 1.0 mm slices an‎d the B30f kernel. The dataset contained 5936 CT slices, divided into 5410 training slices an‎d 526 test slices, an‎d the images were resized to 256 × 256 pixels. Sparse-view inputs at Nv = 18, 36, 72, an‎d 144 were generated using an ASTRA-based fan-beam simulation pipeline. The eva‎luated methods included FBP, FBPConv-style, FreeNetUNet-style, SeedNet-guided fine-tuning, the NoFreqUNet-style component-ablation model, an‎d FreqTransNetRefine-style refinement. eva‎luation was perfo‎rmed using PSNR, SSIM, RMSE, paired statistical tests, qualitative comparisons, an‎d absolute erro‎r maps. The results showed that FreeNetUNet-style improved upon the FBP an‎d FBPConv-style baselines. The component-ablation study suppo‎rted the role of frequency-aware modeling. SeedNet-guided fine-tuning provided additional improvements dependent on the number of views, whereas FreqTransNetRefine-style consistently improved the FreeNetUNet-style backbone, an‎d the strongest simultaneous improvement across all metrics was observed at Nv = 18. This study does not claim an official reproduction of FreeSeed, clinical validation, o‎r universal superio‎rity.
  • استاد راهنما
    امير اخوان بي تقصير , احسان روحاني
  • استاد داور
    محمدرضا احمدزاده , الهام محمودزاده