Väitös (sovellettu matematiikka): FM Jani Lindén
Aika
19.4.2024 klo 12.00 - 16.00
FM Jani Lindén esittää väitöskirjansa ”Exploring novel ways to improve the MR-based image segmentation in the head region” julkisesti tarkastettavaksi Turun yliopistossa perjantaina 19.04.2024 klo 12.00 (Turun yliopisto, Natura, luentosali X, Turku).
Yleisön on mahdollista osallistua väitökseen myös etäyhteyden kautta: https://echo360.org.uk/section/014b6854-f283-4486-bd4f-fa66c0cadae1/public (kopioi linkki selaimeen).
Vastaväittäjänä toimii apulaisprofessori Søren Baarsgaard Hansen (Aarhus University, Tanska) ja kustoksena apulaisprofessori Riku Klén (PET-keskus, Turun yliopisto). Tilaisuus on englanninkielinen. Väitöksen alana on sovellettu matematiikka.
Väitöskirja yliopiston julkaisuarkistossa: https://urn.fi/URN:ISBN:978-951-29-9655-1
***
Tiivistelmä väitöstutkimuksesta:
Väitöskirjatutkimus keskittyy kehittämään uusia menetelmiä vaihtoehtotietokonetomografia (vTT)-kuvien luomiseen magneettiresonanssikuvantamisessa (MRI). Työssä keskitytään erityisesti luun erottamiseen MRI-kuvista.
MRI-kuvissa luu näkyy usein samanlaisena kuin ilma, mikä tekee näiden erottelusta haastavaa. Luukudoksen erottelu muista kudoksista on välttämätöntä esimerkiksi sädehoidon suunnittelussa, missä oikean säteilyannoksen kohdentaminen tarkasti syöpäkasvaimeen on tärkeää. Positroniemissiotomografiassa (PET) taas tarkka luun erottelu parantaa PET-kuvien vaimennuskorjausta. Tämä parantaa PET-kuvien tarkkuutta erityisesti aivojen kuvantamisessa. Tietokonetomografiaa (TT) käyttämällä luun erottaminen ilmasta on helppoa, mutta MRI on kuvantamismenetelmänä parempi esimerkiksi pienemmän säteilyaltistuksen ja pehmytkudoskontrastin vuoksi.
Työssä kehitettiin uusia menetelmiä vTT-kuvien luomiseen magneettikuvista. Nämä vTT-kuvat mahdollistavat pään ja niskan alueen luiden erottelun ja mallintamisen suurella tarkkuudella, mikä parantaa PET-kuvantamisen ja sädehoidon suunnittelun laatua ilman TT-kuvantamisen tarvetta. Lisäksi tutkittiin, miten fotonien lentoaikatieto vaikuttaa PET-kuvien tarkkuuteen eri vTT-kuvien tarkkuudella, ja kehitettiin uusia menetelmiä MRI-kuvantamisessa haastavan nenäonteloiden alueen tarkempaan mallintamiseen.
Tutkimuksessa esitellään myös tapoja koneoppimisen hyödyntämiseksi luun erottamiseksi MRI-kuvista. Koneoppimismalli auttaa tunnistamaan luun aiempaa tarkemmin ja vähentää virheitä luun tiheyden mallinnuksessa, mikä johtaa luotettavampiin tuloksiin.
Tutkimus tuo uutta tietoa ja menetelmiä erityisesti pään alueen tarkemman PET-kuvantamisen sekä MRI-pohjaisen sädehoidon suunnittelun mahdollistamiseksi. Tämä edistää sekä diagnostiikan että hoidon suunnittelun tarkkuutta, mikä voi parantaa diagnostiikkaa, hoidon suunnittelua ja vähentää hoidon sivuvaikutuksia.
Yleisön on mahdollista osallistua väitökseen myös etäyhteyden kautta: https://echo360.org.uk/section/014b6854-f283-4486-bd4f-fa66c0cadae1/public (kopioi linkki selaimeen).
Vastaväittäjänä toimii apulaisprofessori Søren Baarsgaard Hansen (Aarhus University, Tanska) ja kustoksena apulaisprofessori Riku Klén (PET-keskus, Turun yliopisto). Tilaisuus on englanninkielinen. Väitöksen alana on sovellettu matematiikka.
Väitöskirja yliopiston julkaisuarkistossa: https://urn.fi/URN:ISBN:978-951-29-9655-1
***
Tiivistelmä väitöstutkimuksesta:
Väitöskirjatutkimus keskittyy kehittämään uusia menetelmiä vaihtoehtotietokonetomografia (vTT)-kuvien luomiseen magneettiresonanssikuvantamisessa (MRI). Työssä keskitytään erityisesti luun erottamiseen MRI-kuvista.
MRI-kuvissa luu näkyy usein samanlaisena kuin ilma, mikä tekee näiden erottelusta haastavaa. Luukudoksen erottelu muista kudoksista on välttämätöntä esimerkiksi sädehoidon suunnittelussa, missä oikean säteilyannoksen kohdentaminen tarkasti syöpäkasvaimeen on tärkeää. Positroniemissiotomografiassa (PET) taas tarkka luun erottelu parantaa PET-kuvien vaimennuskorjausta. Tämä parantaa PET-kuvien tarkkuutta erityisesti aivojen kuvantamisessa. Tietokonetomografiaa (TT) käyttämällä luun erottaminen ilmasta on helppoa, mutta MRI on kuvantamismenetelmänä parempi esimerkiksi pienemmän säteilyaltistuksen ja pehmytkudoskontrastin vuoksi.
Työssä kehitettiin uusia menetelmiä vTT-kuvien luomiseen magneettikuvista. Nämä vTT-kuvat mahdollistavat pään ja niskan alueen luiden erottelun ja mallintamisen suurella tarkkuudella, mikä parantaa PET-kuvantamisen ja sädehoidon suunnittelun laatua ilman TT-kuvantamisen tarvetta. Lisäksi tutkittiin, miten fotonien lentoaikatieto vaikuttaa PET-kuvien tarkkuuteen eri vTT-kuvien tarkkuudella, ja kehitettiin uusia menetelmiä MRI-kuvantamisessa haastavan nenäonteloiden alueen tarkempaan mallintamiseen.
Tutkimuksessa esitellään myös tapoja koneoppimisen hyödyntämiseksi luun erottamiseksi MRI-kuvista. Koneoppimismalli auttaa tunnistamaan luun aiempaa tarkemmin ja vähentää virheitä luun tiheyden mallinnuksessa, mikä johtaa luotettavampiin tuloksiin.
Tutkimus tuo uutta tietoa ja menetelmiä erityisesti pään alueen tarkemman PET-kuvantamisen sekä MRI-pohjaisen sädehoidon suunnittelun mahdollistamiseksi. Tämä edistää sekä diagnostiikan että hoidon suunnittelun tarkkuutta, mikä voi parantaa diagnostiikkaa, hoidon suunnittelua ja vähentää hoidon sivuvaikutuksia.
Viestintä