umu.sePublikationer
Ändra sökning
Avgränsa sökresultatet
1 - 10 av 10
RefereraExporteraLänk till träfflistan
Permanent länk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Träffar per sida
  • 5
  • 10
  • 20
  • 50
  • 100
  • 250
Sortering
  • Standard (Relevans)
  • Författare A-Ö
  • Författare Ö-A
  • Titel A-Ö
  • Titel Ö-A
  • Publikationstyp A-Ö
  • Publikationstyp Ö-A
  • Äldst först
  • Nyast först
  • Skapad (Äldst först)
  • Skapad (Nyast först)
  • Senast uppdaterad (Äldst först)
  • Senast uppdaterad (Nyast först)
  • Disputationsdatum (tidigaste först)
  • Disputationsdatum (senaste först)
  • Standard (Relevans)
  • Författare A-Ö
  • Författare Ö-A
  • Titel A-Ö
  • Titel Ö-A
  • Publikationstyp A-Ö
  • Publikationstyp Ö-A
  • Äldst först
  • Nyast först
  • Skapad (Äldst först)
  • Skapad (Nyast först)
  • Senast uppdaterad (Äldst först)
  • Senast uppdaterad (Nyast först)
  • Disputationsdatum (tidigaste först)
  • Disputationsdatum (senaste först)
Markera
Maxantalet träffar du kan exportera från sökgränssnittet är 250. Vid större uttag använd dig av utsökningar.
  • 1.
    Bayisa, Fekadu
    et al.
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Kuljus, Kristi
    Institute of Mathematics and Statistics, University of Tartu, Tartu, Estonia.
    Johansson, Adam
    Umeå universitet, Medicinska fakulteten, Institutionen för strålningsvetenskaper.
    Bolin, David
    Department of Mathematical Sciences, Chalmers and University of Gothenburg, Gothenburg, Sweden.
    Yu, Jun
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Prediction of CT images from MR images with hidden Markov and random field models2016Ingår i: Proceedings of the 8th International Workshop on Spatio-Temporal Modelling / [ed] A. Iftimi, J. Mateu and F. Montes, 2016, s. 163-163Konferensbidrag (Övrigt vetenskapligt)
  • 2.
    Bayisa, Fekadu L.
    et al.
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Liu, Xijia
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Garpebring, Anders
    Umeå universitet, Medicinska fakulteten, Institutionen för strålningsvetenskaper.
    Yu, Jun
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Computed Tomography Image Estimation by Statistical Learning MethodsManuskript (preprint) (Övrigt vetenskapligt)
    Abstract [en]

    There is increasing interest in computed tomography (CT) image estimations from magnetic resonance (MR) images. The estimated CT images canbe utilised for attenuation correction, patient positioning, and dose planningin diagnostic and radiotherapy workflows. This study presents a statisticallearning method for CT image estimation. We have used predefined tissuetype information in a Gaussian mixture model to explore the estimation.The performance of our method was evaluated using cross-validation on realdata. In comparison with the existing model-based CT image estimationmethods, the proposed method has improved the estimation, particularly inbone tissues. Evaluation of our method shows that it is a promising methodto generate CT image substitutes for the implementation of fully MR-basedradiotherapy and PET/MRI applications.

  • 3.
    Bayisa, Fekadu Lemessa
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Statistical methods in medical image estimation and sparse signal recovery2018Doktorsavhandling, sammanläggning (Övrigt vetenskapligt)
    Abstract [sv]

    Denna avhandling presenterar arbete kring metoder för skattning av datortomografibilder (CT) från magnetiska resonanstomografibilder (MR) för ett antal diagnostiska och terapeutiska arbetsflöden. Studien demonstrerar även en metod för gles signalrekonstruktion, vilket är en mellanliggande metod för rekonstruktion av MR-bilder. Avhandlingen består av fyra artiklar. De tre första artiklarna handlar om att utveckla statistiska metoder för uppskattning av CT-bilder från MR-bilder. Här formuleras rumsliga och icke-rumsliga modeller för skattning av CT-bilder från MR-bilder, där de rumsliga modellerna inkluderar dolda Markov-modeller (HMM) och dolda Markov-slumpfältmodeller (HMRF), medan de icke-rumsliga modellerna består av Gaussiska mix-modeller (GMM) och skeva Gaussiska mixmodeller (SGMM). De statistiska modellerna skattas via en maximum-likelihoodansats, där EM-algoritmen används för GMM och SGMM, EM-gradientalgoritmen för HMRF samt Baum-Welch-algoritmen för HMM. Vi har även undersökt CTbildskattning med hjälp av GMM och övervakade statistiska inlärningsmetoder. Modellernas prestanda har utvärderats med hjälp av korsvalidering på faktiska data. Genom att jämföra prestandan hos modellernas CT-bildskattningar har vi observerat att GMM kombinerat med övervakad statistisk inlärning har den bästa prestandan, i synnerhet ifråga om benvävnad. Den fjärde artikeln behandlar en gles modellering inom signalrekonstruktion. Med hjälp av så kallade ”spike and slab priors” för signalen formulerade vi ett glest signalrekonstruktionsproblem och utvecklade en adaptiv algoritm för gles signalrekonstruktion. Den utvecklade algoritmen har bättre prestanda än den nyligen föreslagna iterativ konvex förfining (ICR)-algoritmen. De metoder som introducerats i detta arbete är bidrag till litteraturen inom så kallade ”lattice-processer” och signalbehandling. Resultaten levererar ett bidrag till forskningen kring ersättandet av CT-bilder med syntetiska eller pseudo-CTbilder, samt till effektiv gles signalrekonstruktion.

  • 4.
    Bayisa, Fekadu
    et al.
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Liu, Xijia
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Garpebring, Anders
    Umeå universitet, Medicinska fakulteten, Institutionen för strålningsvetenskaper.
    Yu, Jun
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Statistical learning in computed tomography image estimation2018Ingår i: Medical physics (Lancaster), ISSN 0094-2405, Vol. 45, nr 12, s. 5450-5460Artikel i tidskrift (Refereegranskat)
    Abstract [en]

    Purpose: There is increasing interest in computed tomography (CT) image estimations from magneticresonance (MR) images. The estimated CT images can be utilized for attenuation correction, patientpositioning, and dose planning in diagnostic and radiotherapy workflows. This study aims to introducea novel statistical learning approach for improving CT estimation from MR images and to compare theperformance of our method with the existing model-based CT image estimation methods.

    Methods: The statistical learning approach proposed here consists of two stages. At the trainingstage, prior knowledge about tissue types from CT images was used together with a Gaussian mixturemodel (GMM) to explore CT image estimations from MR images. Since the prior knowledge is notavailable at the prediction stage, a classifier based on RUSBoost algorithm was trained to estimatethe tissue types from MR images. For a new patient, the trained classifier and GMMs were used topredict CT image from MR images. The classifier and GMMs were validated by using voxel-leveltenfold cross-validation and patient-level leave-one-out cross-validation, respectively.

    Results: The proposed approach has outperformance in CT estimation quality in comparison withthe existing model-based methods, especially on bone tissues. Our method improved CT image estimationby 5% and 23% on the whole brain and bone tissues, respectively.

    Conclusions: Evaluation of our method shows that it is a promising method to generate CTimage substitutes for the implementation of fully MR-based radiotherapy and PET/MRI applications

  • 5.
    Bayisa, Fekadu
    et al.
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Yu, Jun
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Model-based computed tomography image estimation: partitioning approach2019Ingår i: Journal of Applied Statistics, ISSN 0266-4763, E-ISSN 1360-0532, Vol. 46, nr 14, s. 2627-2648Artikel i tidskrift (Refereegranskat)
    Abstract [en]

    There is a growing interest to get a fully MR based radiotherapy. The most important development needed is to obtain improved bone tissue estimation. The existing model-based methods perform poorly on bone tissues. This paper was aimed at obtaining improved bone tissue estimation. Skew-Gaussian mixture model and Gaussian mixture model were proposed to investigate CT image estimation from MR images by partitioning the data into two major tissue types. The performance of the proposed models was evaluated using the leaveone-out cross-validation method on real data. In comparison with the existing model-based approaches, the model-based partitioning approach outperformed in bone tissue estimation, especially in dense bone tissue estimation.

  • 6.
    Bayisa, Fekadu
    et al.
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Yu, Jun
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Model-based Estimation of Computed Tomography Images2017Konferensbidrag (Övrigt vetenskapligt)
  • 7.
    Bayisa, Fekadu
    et al.
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Yu, Jun
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Model-based Estimation of Computed Tomography Images2017Manuskript (preprint) (Övrigt vetenskapligt)
    Abstract [en]

    There is a growing interest to get a fully MR based radiotherapy. The most important development needed is to obtain improved bone tissue estimation. Existing model-based methods have performed poorly on bone tissues. This paper aims to obtainimproved estimation of bone tissues. Skew-Gaussian mixture model (SGMM) isproposed to further investigate CT image estimation from MR images. The estimation quality of the proposed model is evaluated using leave-one-out cross-validation method on real data. In comparison with the existing model-based approaches, the approach utilized in this paper outperforms in estimation of bone tissues, especiallyon dense bone tissues.

  • 8.
    Bayisa, Fekadu
    et al.
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Zhou, Zhiyong
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Cronie, Ottmar
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Yu, Jun
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Adaptive algorithm for sparse signal recovery2019Ingår i: Digital signal processing (Print), ISSN 1051-2004, E-ISSN 1095-4333, Vol. 87, s. 16s. 10-18Artikel i tidskrift (Refereegranskat)
    Abstract [en]

    The development of compressive sensing in recent years has given much attention to sparse signal recovery. In sparse signal recovery, spike and slab priors are playing a key role in inducing sparsity. The use of such priors, however, results in non-convex and mixed integer programming problems. Most of the existing algorithms to solve non-convex and mixed integer programming problems involve either simplifying assumptions, relaxations or high computational expenses. In this paper, we propose a new adaptive alternating direction method of multipliers (AADMM) algorithm to directly solve the suggested non-convex and mixed integer programming problem. The algorithm is based on the one-to-one mapping property of the support and non-zero element of the signal. At each step of the algorithm, we update the support by either adding an index to it or removing an index from it and use the alternating direction method of multipliers to recover the signal corresponding to the updated support. Moreover, as opposed to the competing “adaptive sparsity matching pursuit” and “alternating direction method of multipliers” methods our algorithm can solve non-convex problems directly. Experiments on synthetic data and real-world images demonstrated that the proposed AADMM algorithm provides superior performance and is computationally cheaper than the recently developed iterative convex refinement (ICR) and adaptive matching pursuit (AMP) algorithms.

  • 9.
    Kuljus, Kristi
    et al.
    University of Tartu, Estonia.
    Bayisa, Fekadu
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Bolin, David
    Chalmers University of Technology, Sweden.
    Lember, Jüri
    University of Tartu, Estonia.
    Yu, Jun
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Comparison of hidden Markov chain models and hidden Markov random field models in estimation of computed tomography images2017Manuskript (preprint) (Övrigt vetenskapligt)
    Abstract [en]

    There is an interest to replace computed tomography (CT) images withmagnetic resonance (MR) images for a number of diagnostic and therapeuticworkflows. In this article, predicting CT images from a number of magnetic resonance imaging (MRI) sequences using regression approach isexplored. Two principal areas of application for estimated CT images aredose calculations in MRI based radiotherapy treatment planning and attenuationcorrection for positron emission tomography (PET)/MRI. Themain purpose of this work is to investigate the performance of hidden Markov (chain) models (HMMs) in comparison to hidden Markov random field (HMRF) models when predicting CT images of head. Ourstudy shows that HMMs have clear advantages over HMRF models in this particular application. Obtained results suggest that HMMs deservea further study for investigating their potential in modeling applications where the most natural theoretical choice would be the class of HMRFmodels.

  • 10.
    Kuljus, Kristi
    et al.
    University of Tartu, Estonia.
    Bayisa, Fekadu
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Bolin, David
    Department of Mathematical Sciences, Chalmers University of Technology, Sweden.
    Lember, Jüri
    University of Tartu, Estonia.
    Yu, Jun
    Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
    Comparison of hidden Markov chain models and hidden Markov random field models in estimation of computed tomography images2018Ingår i: Communications in Statistics: Case Studies, Data Analysis and Applications, ISSN 2373-7484, Vol. 4, nr 1, s. 46-55Artikel i tidskrift (Refereegranskat)
    Abstract [en]

    Two principal areas of application for estimated computed tomography (CT) images are dose calculations in magnetic resonance imaging (MRI) based radiotherapy treatment planning and attenuation correction for positron emission tomography (PET)/MRI. The main purpose of this work is to investigate the performance of hidden Markov (chain) models (HMMs) in comparison to hidden Markov random field (HMRF) models when predicting CT images of head. Obtained results suggest that HMMs deserve a further study for investigating their potential in modeling applications, where the most natural theoretical choice would be the class of HMRF models.

1 - 10 av 10
RefereraExporteraLänk till träfflistan
Permanent länk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf