Manyetik rezonans görüntüleme (MRG) müdahalesiz olması ve yumuşak doku tetkikindeki başarısından ötürü nörolojik hastalıklar başta olmak üzere klinik tanıda etkin rol üstlenmektedir. MR sinyal seviyesi, dokuların kimyasal yapısına bağlı T1, T2 ve PD parametrelerine dayanmaktadır. Sinyalin çokça parametreye bağlı olması, diğer medikal görüntüleme teknolojilerinin aksine MRG’de birden fazla doku kontrastı ile çekim yapılabilmesini sağlamaktadır. Dokular arasında gözlemlenmesi hedeflenen kontrasta göre, bağımsız MRG sekansları ile T1-ağırlıklı (örneğin beyaz/gri cevher ayrımı), T2-ağırlıklı (sıvı/yumuşak doku ayrımı) veya PD-ağırlıklı (yağ-sıvı/yumuşak doku ayrımı) görüntüler toplanabilir. Bu şekilde, aynı anatomik bölgenin birden fazla kontrast altındaki görüntülerinin bir arada değerlendirilmesi radyolojik tanı hassasiyetini artırmaktadır.
Tanı kalitesini önemli derecede artmasına karşın mevcut MRG protokollerinde her bir kontrasta ait görüntünün çekiminin 6-10 dakikaya kadar çıkmaktadır. Ayrıca belirli kontrastların sınırlı tetkik zamanı dolayısıyla çekiminin gerçekleştirilememesi veya yüksek derecede gürültü/artefakt içermesi de sıklıkla karşılaşılan bir problemdir. Hasta konforunu artırmak, görüntü artefaktlarını engellemek ve tetkik maliyetini düşürmek için çekim sürelerinin kısaltılması gerekmektedir. Özellikle pediatrik, ileri yaş, ve ileri seviye hastalarda MRG tetkiklerinin uygulanabilirliğini ve kalitesini artırmak elzemdir.
Projelerimizde MRG tetkiklerinin kalitesi ve verimliliğini artıran özgün teknolojilere yoğunlaşmaktayız. Bu bağlamda, mevcut tekniklerin eksikliklerini gidermek amacıyla veriye dayalı derin öğrenme teknikleri üzerine çalışmaktayız. Yüksek hızlandırma faktörlerinde toplanmış MR verilerinden başarılı geriçatabilen, ve verileri toplanılamayan MRG sekanslarına ait görüntüleri sentezleyebilen yapay sinir ağı modelleri geliştirmekteyiz. MRG’nin en yaygın kullanım alanı olan beyin görüntülemede, sağlıklı ve hasta bireylerin yer aldığı veri tabanlarında kapsamlı sınamalar gerçekleştirerek, ve her uygulama için en yüksek performansı veren modeller kurgulamaktayız.
Projelerimizin nihai hedefi yüksek tetkik verimliliği ve kontrast çeşitliliğini mümkün kılarak, MRG’nin klinik kullanımını önemli derecede iyileştiren bir ileri görüntüleme teknolojisi ortaya koymaktır. Geliştirdiğimiz derin öğrenme teknolojisi, mevcut tekniklerin ötesinde hızlandırma faktörleri, uzamsal çözünürlük, ve işleme zamanına ulaşacaktır. Böylece birçok nörolojik ve nörovasküler hastalığının teşhisi ve tedavi takibinde önemli iyileştirmeler sağlanabilecektir.
Örnek Yayınlar:
Dar SUH, Yurt M, Ildiz ME, Shahdloo M, Tinaz B, Çukur T. Prior-Guided Image Reconstruction for Accelerated Multi-Contrast MRI via Generative Adversarial Networks IEEE Journal of Selected Topics in Signal Processing, 2020.
Dar SUH, Ozbey M, Catli AB, Çukur T. A transfer-learning approach for accelerated MRI using deep neural networks. Magnetic Resonance in Medicine. 2020 August;84(2):663–685.
Dar SUH, Yurt M, Karacan L, Erdem A, Erdem E, Çukur T. Image synthesis in multi-contrast MRI with conditional generative adversarial networks. IEEE Transaction on Medical Imaging. 2019 Oct;38(10):2375-2388.
Gozcu B, Mahabadi RK, Li YH, Ilicak E, Çukur T, Scarlett J, Cevher V. Learning-based compressive MRI. IEEE Transactions on Medical Imaging. 2018 Jun;37(6):1394-1406.