Генерація зображень перфузійних карт засобами глибокого навчання

Скорочена інформація про документ
dc.contributor.authorДюмін, Олексій Дмитрович
dc.contributor.authorАлхімова, Світлана Миколаївна
dc.date.accessioned2025-08-22T09:26:12Z
dc.date.available2025-08-22T09:26:12Z
dc.date.issued2024
dc.description.abstractУ даному дослідженні розглядаються сучасні методи глибокого навчання для автоматичної генерації карт різних перфузійних параметрів, які отримують за даними динамічно-сприйнятливої контрастної магнітно-резонансної томографії. Основну увагу приділено аналізу згорткових нейронних мереж, генеративно-змагальних мереж та їх різним модифікаціям, які використовуються для обробки томографічних зображень мозку людини. Викладено особливості застосування класичного методу деконволюції через сингулярний розклад, а також його модифікацій для отримання таких перфузійних параметрів, як мозковий кровотік, обʼєм крові у мозку та середній час проходження контрастної речовини. Проведений аналіз розглянутих сучасних методів глибокого навчання показує, що вони здатні забезпечити досить точну оцінку зазначених перфузійних параметрів. Разом з тим проведений аналіз виявив, що у випадку використання методів глибокого навчання залишаються проблеми, пов’язані з процедурами отримання даних ground truth для навчання і тестування моделей. Наразі у якості ground truth даних у дослідженнях виступають перфузійні карти, отримані за допомогою різних методів деконволюції, а отже надзвичайно відрізняються в залежності від обраного методу деконволюції та страждають від наявності помилкових значень. Обмежений доступ до відповідних наборів ground truth даних ускладнює верифікацію моделей і їх повноцінне тестування. У даному досліджені визначені переваги та недоліки різних архітектур нейронних мереж. Отримані результати свідчать про те, що згорткові нейронні мережі в комбінації з генеративно-змагальними нейронними мережами демонструють кращу точність у порівнянні з іншими. Наведені рекомендації щодо подолання виявлених проблем, зокрема використання нових архітектур нейронних мереж, що дозволяють мінімізувати вплив шуму, а також розширення доступу до наборів ground truth даних для наукових досліджень.
dc.description.abstractotherThe study discusses modern deep learning methods to generate maps of perfusion parameters automatically based on dynamic susceptibility contrast-enhanced magnetic resonance imaging data. The main attention is paid to the analysis of convolutional neural networks, generative-adversarial networks and their modifications, which are used for processing human brain tomographic images. Features of using the standard deconvolution method by singular value decomposition and its modifications to obtain such perfusion parameters as blood volume in the brain, cerebral blood flow and mean transit time are described. Analysis of modern deep learning methods shows that they are able to provide fairly accurate estimations of mentioned perfusion parameters. At the same time, there are still some issues in deep learning methods application. The issues relate to ground truth data that are used for model training and testing procedures. Perfusion maps obtained using different deconvolution methods that are currently are ground truth data are variable from one method to another and suffer from errors presence. Limited access to the ground truth data complicates the verification of models and their full-fledged testing. The study also defined advantages and disadvantages of different neural network architectures. Obtained results show that convolutional neural networks in combination with generative-adversarial networks demonstrate improved accuracy compared to other ones. Recommendations to overcome found issues with generation of perfusion maps using deep learning methods, including the use of new neural network architectures that minimize the impact of noise, as well as increasing access to the ground truth data sets for scientific researches, are provided.
dc.format.pagerangeС. 849-866
dc.identifier.citationДюмін, О. Д. Генерація зображень перфузійних карт засобами глибокого навчання / Дюмін О. Д., Алхімова С. М. // Наука і техніка сьогодні. - 2024. - Вип. №11 (39). - С. 849-866.
dc.identifier.doihttps://doi.org/10.52058/2786-6025-2024-10(38)-849-866
dc.identifier.orcid0000-0002-0196-005X
dc.identifier.orcid0000-0002-9749-7388
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/75592
dc.language.isouk
dc.publisherВидавнича група «Наукові перспективи»
dc.publisher.placeКиїв
dc.relation.ispartofНаука і техніка сьогодні, Вип. №11 (39).
dc.subjectглибоке навчання
dc.subjectнейронні мережі
dc.subjectдеконволюція
dc.subjectперфузійні параметри
dc.subjectкількісна перфузія
dc.subjectдинамічно-сприйнятлива контрастна перфузія
dc.subjectмагнітно-резонансна томографія
dc.subjectdeep learning
dc.subjectneural networks
dc.subjectdeconvolution
dc.subjectperfusion parameters
dc.subjectquantitative perfusion
dc.subjectdynamic susceptibility contrast-enhanced perfusion
dc.subjectmagnetic resonance imaging
dc.subject.udc004.932:616-073.756.8
dc.titleГенерація зображень перфузійних карт засобами глибокого навчання
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Nauka_i_tekhnika_11_39_2024_849-866.pdf
Розмір:
1.43 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Статті (БМК)