MARC

 008240221s2023        ulk                      00        kor
■001000016935691
■00520240214102006
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380374026
■035    ▼a(MiAaPQ)AAI30748362
■035    ▼a(MiAaPQ)umichrackham005029
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aWang,  Guanhua.
■24510▼aOptimizing  Signal  Sampling  Strategies  for  Magnetic  Resonance  Imaging▼h[electronic  resource]
■260    ▼a[S.l.]▼bUniversity  of  Michigan.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(128  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Fessler,  Jeffrey  A.;Noll,  Douglas  C.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■506    ▼aThis  item  must  not  be  added  to  any  third  party  search  indexes.
■520    ▼aMagnetic  resonance  imaging  (MRI)  is  an  important  imaging  modality  in  modern  medicine  that  provides  various  biomarkers  without  harmful  radiation.  However,  the  low  acquisition  speed  of  MRI  limits  its  spatiotemporal  resolution,  affordability,  and  patient  experience.  Efficient  data  acquisition  schemes  can  enhance  the  quality  and  speed  of  MRI,  thereby  improving  its  scientific  and  clinical  values.Designing  efficient  and  optimal  sampling  schemes  is  an  important  yet  challenging  task  due  to  the  scale  and  complexity  of  the  problem.  Current  research  broadly  adopts  oversimplified  models  and  heuristics-driven  methods,  which  have  effectively  sped  up  MRI,  but  hinder  the  design  of  even  more  efficient  sampling  schemes.  Therefore,  there  is  a  need  to  explore  new  methods  to  automatically  design  or  tailor  sampling  trajectories.This  dissertation  presents  new  methods  for  optimizing  MRI  sampling  trajectories  using  optimization-based  and  data-driven  methods.  We  proposed  gradient  methods  for  optimizing  non-Cartesian  sampling  trajectories,  as  well  as  Bayesian  methods  for  optimizing  Cartesian  sampling  trajectories.  The  proposed  optimization  methods  can  simultaneously  improve  image  quality,  hardware  conformity,  and  patient  comfort.  Notably,  these  methods  can  automatically  learn  efficient  sampling  patterns  from  raw  datasets,  and  the  results  are  tailored  to  specific  anatomical  structures,  scanning  protocols,  and  hardware.  To  solve  this  large-scale,  non-convex  optimization  problem,  we  introduced  several  computational  methods,  such  as  accurate  Jacobian  approximations  for  system  matrices,  parallel  computing,  and  high-efficiency  solvers.We  evaluated  the  proposed  methods  in  multiple  MRI  applications,  such  as  structural  imaging,  functional  imaging,  and  dynamic  imaging.  In  both  simulation  and  prospective  in-vivo  studies,  our  methods  improved  image  quality  by  2-5  dB  (in  PSNR)  and  increased  acquisition  speed  by  8-10x.  The  optimization  results  also  enhanced  the  patient  experience  by  minimizing  uncomfortable  peripheral  nerve  stimulation.  Notably,  our  learning-based  approaches  exhibited  strong  generalization  ability  and  robustness  to  the  shift  between  in-silico  training  and  real-world  prospective  experiments,  which  can  be  explained  by  simple  signal  and  system  theories.  These  promising  preliminary  results  highlight  the  potential  of  our  methods  to  practically  accelerate  MRI  and  contribute  to  advancements  in  medical  imaging  research.  To  promote  reproducible  research,  the  accompanying  codes,  as  well  as  an  open-source  reconstruction  toolbox  MIRTorch,  are  publicly  available.
■590    ▼aSchool  code:  0127.
■650  4▼aComputer  science.
■650  4▼aMedical  imaging.
■650  4▼aElectrical  engineering.
■653    ▼aMagnetic  resonance  imaging
■653    ▼aMachine  learning
■653    ▼aData-driven  methods
■653    ▼aDynamic  imaging
■653    ▼aSystem  matrices
■690    ▼a0574
■690    ▼a0544
■690    ▼a0984
■71020▼aUniversity  of  Michigan▼bBiomedical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16935691▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서