Deep learning per la risonanza magnetica

Gasparetto, Simone (2022) Deep learning per la risonanza magnetica. Bachelor thesis, Scuola universitaria professionale della Svizzera italiana.

	Text DOC_GASPARETTO.pdf Download (3MB)
	Slideshow POSTER_GASPARETTO.pptx Download (383kB)

Abstract

L’obiettivo principale di questo progetto, oltre al lato didattico, è l’implementazione di un modello di deep learning per la ricostruzione e il denoising di immagini derivanti da risonanza magnetica. I dataset a disposizione concernano immagini di cervelli e di cuori. La parte iniziale si indirizza verso la modellizzazione e la standardizzazione dei dati, per poi proseguire con l’inserimento manuale degli errori. Gli errori sono dati dalla variazione dei singoli pixel come conseguenza di una distribuzione normale e come risultato di rimozione di righe e singoli pixels dell’immagine. La metodologia applicata è inerente alle reti neurali, più precisamente agli autoencoder. Ne sono stati usati diversi, contenenti layer densi o convoluzionali, da più semplici a più complicati; all’utilizzo di reti convoluzionali i risultati sono stati più promettenti e portano a lavorare in quella direzione. Sono stati infatti trovati valori di MSE molto inferiori, 4 volte minori partendo da situazioni di rumore maggiore. Analizzando i risultati dei test si può affermare che l’MSE è proporzionale al valore del rumore, di conseguenza quando i disturbi aumentano si necessita di reti più potenti. Un dataset contenente immagini da 128x128 pixels varia da 10 righe rimosse con un MSE di 0.0045 fino a 20 righe rimosse con un MSE di 0.0093. Come proseguimento di questo progetto si valuterà la possibilità di continuare a lavorare con reti neurali con l’aggiunta di qualche regolarizzazione per diminuire ulteriormente il rumore. -- The main objective of this project, apart from the educational side, is the implementation of a deep learning model for the reconstruction and denoising of MRI-derived images. The available datasets concern images of brains and hearts. The initial part addresses the modelling and standardisation of the data, followed by the manual input of errors. Errors are given by the variation of individual pixels because of a normal distribution and because of removing rows and individual pixels of the image. The methodology applied is inherent to neural networks, more specifically autoencoders. Different ones were used, containing dense or convolutional layers, from the simplest to the most complicated; when using convolutional networks, the results were more promising and lead to work in that direction. In fact, much lower MSE values were found, 4 times lower starting from situations of higher noise. Analysing the test results, it can be stated that the MSE is proportional to the value of the noise, so that when the noise increases, more powerful networks are needed. A dataset containing images of 128x128 pixels ranges from 10 rows removed with an MSE of 0.0045 to 20 rows removed with an MSE of 0.0093. As a continuation of this project, we will consider continuing to work with neural networks with the addition of some regularisation to further reduce noise.

Item Type:	Thesis (Bachelor)
Corso:	UNSPECIFIED
Supervisors:	Cannelli, Loris
Subjects:	Informatica
Divisions:	Dipartimento tecnologie innovative > Bachelor in Ingegneria informatica
URI:	http://tesi.supsi.ch/id/eprint/4596

Actions (login required)

View Item