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