Mersch, M. E. (2022). Phase correction and reconstruction of magnetic resonance spectra using a convolutional neural network approach [Diploma Thesis, Technische Universität Wien; Medizinische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2022.80543
Das Ziel der vorliegenden Masterarbeit ist die Entwicklung sowie das Training tiefer neuronaler Netzwerke, die in der Lage sind, Phasenfehler 0. und 1. Ordnung zu korrigieren und den abgeschnittenen Teil von simulierten menschlichen Gehirnspektren vorauszuberechnen. Für das Training eines tiefen neuronalen Netzwerkes werden große Mengen an Spektren benötigt. Daher wird die Modellierung der Spektren in Anlehnung an vom "Hochfeld MR Zentrum Wien" zur Verfügung gestellten In-vivo-Spektren des menschlichen Gehirns vorgenommen. Um den Zusammenhang zwischen der Genauigkeit des Netzwerkes und der Größe des Datensatzes zu untersuchen, werden Datensätze von10.000 bis 50.000 Spektren simuliert, wobei 90% der Spektren für das Training des Netzwerkes verwendet werden und mit 10% überprüft werden, wie gut das neuronale Modell lernt, die eingebauten Fehler zu beheben. Ein weiterer Zusammenhang, dem die vorliegende Masterarbeit auf den Grund gehen will, ist jener zwischen der Genauigkeit des Netzwerkes und der Anzahl an im Rahmen des Trainings durchgeführten Epochen. Jedes neuronale Netzwerk beginnt deshalb mit 50 Epochen, wird im Anschluss für 100 Epochen trainiert und schließt sein Training schließlich mit 150 Epochen ab. Als Modell für das neurale Netzwerk wird ein Convolutional Neural Network (CNN) mit einer sogenannten U-Net-Struktur herangezogen, welches in der Rekonstruierung von abgeschnittenen FIDs (tFIDSs) in 1H-MRS zur Anwendung kommt. Für die Quantifizierung der verschiedenen Netzwerke wird das LCModel-Package, eine automatische Quantifizierung von In-vivo-Proton-MR-Spektren, verwendet. Hierfür werden die LCModel-Parameter so gesetzt, dass es möglich ist, Maps der absoluten und verhältnismäßigen Konzentrationen, der Standardabweichung, der Korrektur 0. und 1. Ordnung, der Halbwertsbreite und des Signals zu Rausch Verhältnisses gewinnen zu können. Abschließend werden diese quantifizierten Maps mittels Bland-Altman-Diagrammen im Hinblick auf die Vorausberechnungen des Netzwerkes und die Grundwahrheit verglichen und analysiert.
de
The aim of this master's thesis is to develop and train deep neural networks capable of correcting zero- and rst-order phase errors and predicting the truncated part of simulated human brain spectra. To train a deep neuronal network, we require a large number of spectra. As a result, we base our modelling of the spectra on in vivo human brain spectra provided by the High-Field MR Centre in Vienna. To examine the relationship between the network's accuracy and the size of the data set, we simulate data sets of 10 000 and 50 000 spectra, with 90% of the spectra used to train the network and 10%used to test how well the neural network model learns to fix the implemented errors. Another relationship we want to investigate is the one between the network's accuracy and the amount of training epochs; thus, every neural network starts with 50 training epochs, then continues to train for 100 epochs and finally stops at 150 epochs. We build a convolutional neural network with a so-called U-net structure for the neural network model, which is applicable in the reconstruction of truncated free induction decays(tFIDs) in 1H-MRS. We use the LCModel package, which is an automatic quantification of in vivo proton MR spectra, to quantify the various networks. For this purpose, we configure the LCModel settings such that we may extract the absolute and ratio concentration maps, standard deviation maps, zero-and first-order phase correction maps, a full width at half maximum map, and a signal-to-noise ratio map. Finally, we compare and analyze the quantified maps in view of the network's prediction and ground-truth data using the Bland-Altman plot.
en
Additional information:
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers