Diplomamunka feladat a Fizikus mesterképzési szak hallgatói számára

A hallgató neve: Hajnal Dániel Konrád specializációja: Fizikus MSc - orvosi fizika
A záróvizsgát szervező tanszék neve: Nukleáris Technikai Intézet
A témavezető neve: Paczári Krisztián
- munkahelye: Mediso Kft.
- beosztása: PET rekonstrukció fejlesztő
- email címe: Krisztian.Paczari@mediso.com
A konzulens neve: Dr. Légrády Dávid
- tanszéke: Nukleáris Technikai Intézet
- beosztása: egy. docens
- email címe: legrady@reak.bme.hu
A kidolgozandó feladat címe: ML-EM alapú PET Rekonstrukciós Algoritmus Továbbfejlesztése
A téma rövid leírása, a megoldandó legfontosabb feladatok felsorolása:

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

A záróvizsga kijelölt tételei:
Dátum:
Hallgató aláírása:
Témavezető aláírása*:
Tanszéki konzulens aláírása:
A témakiírását jóváhagyom
(tanszékvezető aláírása):
*A témavezető jelen feladatkiírás aláírásával tudomásul veszi, hogy a BME TVSZ 145. és 146.§ alapján az egyetem a képzési célok megvalósulása érdekében a szakdolgozatok, illetve diplomamunkák nyilvánosságát tartja elsődlegesnek. A hozzáférés korlátozása csak kivételes esetben, a dékán előzetes hozzájárulásával lehetséges.
Budapesti Műszaki és Gazdaságtudományi Egyetem
Természettudományi Kar
1111 Budapest, Műegyetem rakpart 3. K épület I. em. 18.
www.ttk.bme.hu