ML-EM alapú PET Rekonstrukciós Algoritmus Továbbfejlesztése

Nyomtatóbarát változatNyomtatóbarát változat
Cím angolul: 
Enhancing an ML-EM based PET Image Reconstruction Algorithm
Típus: 
MSc diplomamunka téma - orvosi fizika
Félév: 
2021/22/2.
Témavezető: 
Név: 
Paczári Krisztián
Email cím: 
Krisztian.Paczari@mediso.com
Intézet/Tanszék/Cégnév: 
Mediso Kft.
Beosztás: 
PET rekonstrukció fejlesztő
Konzulens: 
Név: 
Dr. Légrády Dávid
Email cím: 
legrady@reak.bme.hu
Intézet/Tanszék: 
Nukleáris Technikai Intézet
Beosztás: 
egy. docens
Hallgató: 
Név: 
Hajnal Dániel Konrád
Képzés: 
Fizikus MSc - orvosi fizika
Elvárások: 

kiváló programozási készség, statisztikai alapú képrekonstrukciós algoritmusok alapos ismerete, Monte-Carlo módszerek ismerete

Leírás: 

A Pozitron Emissziós Tomográfiás felvételek mért adataihoz legjobban illeszkedő,  három dimenziós izotópkoncentráció-eloszlást a gyakorlatban legtöbbször statisztikai alapú képrekonstrukciós eljárásokkal határozzák meg. A Maximum Likelihood - Expectation Maximization (ML-EM) iteratív algoritmus adja legtöbbször a rekonstrukciós algoritmus alapját. Tapasztalat, hogy az iterációs lépések során a konvergencia egy bizonyos lépésszám felett megáll, madj visszafordul és a kép egyre zajosabb lesz. A növekvő zaj megjelenésének oka lehet a számítási modellezés és a mérés szisztematikus eltérése is, de a sztochasztikus iterációs algoritmus tulajdonságai is vezethetnek erre az eredményre. A szakirodalom több megoldást is javasol, hogy a konvergencia sebessége növekedjen, illetve  az iteráció konvergenciájának kedvező tulajdonságai az iteráció előrehaladtával is  megmaradjanak. A hallgató feladata a fizikai modellezés és az iterációs algoritmus konvergenciatulajdonságainak javítása a szakirodlom által javasolt módszerek implementálásával és értékelésével. 

 A hallgató feladata részletesen megismerkedni a BME NTI-ben fejlesztett PANNI (Pet Aimed Novel Nuclear Imager) kóddal és az új módszereket implementálnia, majd szimulált és kísérleti adatokon alkalmazva performance paramétereit értékelnie. Az eredmények alapján a kedvezőnek talált eljárásokat a Mediso Kft. Teratomo 3D PET Rekon szoftverkörnyezetében is megvalósítani és tesztelni. 

A hallgató feladata 

  • tesztelni a maximum a posteriori (MAP) iterációt  az ML-EM képrekonstrukciós sémához képest
  • a pontválaszfüggvény szimulációját javítani és detektortérbeli elkenés helyett képtér-beli elkenésként figyelembe venni
  • a "Total Variation" regularizáció modern változatait implementálni és tesztelni.

Irodalom:

Sangtae Ahn and J. A. Fessler, "Globally convergent image reconstruction for emission tomography using relaxed ordered subsets algorithms," in IEEE Transactions on Medical Imaging, vol. 22, no. 5, pp. 613-626, May 2003, doi: 10.1109/TMI.2003.812251.

Mahmoud M. Khattab, Akram M Zeki, Ali A. Alwan, Ahmed S. Badawy, Regularization-based multi-frame super-resolution: A systematic review, Journal of King Saud University - Computer and Information Sciences, Volume 32, Issue 7, 2020, Pages 755-762, ISSN 1319-1578, https://doi.org/10.1016/j.jksuci.2018.11.010.

Rahmim, A., Qi, J. and Sossi, V. (2013), Resolution modeling in PET imaging: Theory, practice, benefits, and pitfalls. Med. Phys., 40: 064301. https://doi.org/10.1118/1.4800806

Titkosítas: 
Hozzáférés korlátozott (titkosított)
Titkosítás oka: 
A dolgozat üzleti okokból titkosított