University of Twente Student Theses

Login

Deep learning voor dysfagiegradatie : Een voorstudie naar reconstructie van dynamische MR-beelden van slikbewegingen vanuit k-space en relevante klinische aspecten

Croonen, E. and Logendran, T. and Straetemans, L. and Visser, R.J. (2019) Deep learning voor dysfagiegradatie : Een voorstudie naar reconstructie van dynamische MR-beelden van slikbewegingen vanuit k-space en relevante klinische aspecten.

[img] PDF
2MB
Abstract:Probleemstelling: Dysfagie kan leiden tot ondervoeding, uitdroging, longontsteking of zelfs tot overlijden. Naar schatting lijdt 6%van de Nederlandse bevolking aan dysfagie en bij patiënten met ernstige aandoeningen in het hoofd-halsgebied is dat zelfs meer dan 50%. De huidige methode om dysfagie te gradueren is videofluoroscopie. Nadelen hiervan zijn dat de patiënt blootgesteld wordt aan röntgenstraling, weke delen niet goed zichtbaar zijn en de beoordeling subjectief is. Dynamische MRI (dMRI) zou voor deze problemen een oplossing kunnen vormen. Echter, de temporele resolutie van dMRI is op dit moment nog te laag om slikvideo’s te maken. Door MRI-data undersampled op te nemen kan de temporele resolutie verhoogd worden. Dit gaat echter ten koste van de spatiële resolutie. Doel: Dit onderzoek heeft als doel het zetten van een eerste stap om met deep learning (DL) MR-beelden te reconstrueren uit undersampled k-space om zo de spatiële resolutie van dMRI te verhogen en dysfagiegradatie met dMRI mogelijk te maken in de kliniek. Methode: ADMM-net is getraind met undersampled k-spacedata met als referentie-afbeelding een gereconstrueerd MR-beeld van het hoofd-halsgebied. Daarnaast zijn interviews gehouden met specialisten om relevante aspecten van dysfagiegradatie in beeld te brengen. Conclusie: Het reconstrueren van MR-beelden vanuit undersampled k-space is mogelijk met behulp van ADMM-Net. Dysfagiegradatie is met name gebaseerd op het Logemann’s model en heeft betrekking op de verwerking van de bolus en de functie van anatomische structuren hierbij. Discussie: De spatiële resolutie van de output van het DL-netwerk is nog onvoldoende om in de kliniek toegepast te kunnen worden. Voor toekomstig onderzoek wordt daarom aanbevolen om het netwerk te trainen met andere instellingen en datasets, bijvoorbeeld 3D-beelden en beelden van patiënten.
Item Type:Essay (Bachelor)
Faculty:TNW: Science and Technology
Subject:31 mathematics, 44 medicine, 50 technical science in general
Programme:Technical Medicine BSc (50033)
Link to this item:http://purl.utwente.nl/essays/78112
Export this item as:BibTeX
EndNote
HTML Citation
Reference Manager

 

Repository Staff Only: item control page