Methods for the analysis and characterization of brain morphology from MRI images
Tid: Fr 2022-03-25 kl 13.00
Plats: T2 (Jacobssonsalen) (), Hälsovägen 11C, vån 5, Huddinge
Videolänk: https://kth-se.zoom.us/j/68019515028
Språk: Engelska
Ämnesområde: Medicinsk teknologi
Respondent: Irene Brusini , Medicinsk avbildning
Opponent: Senior Lecturer Jorge Cardoso, King's College London
Handledare: Docent Chunliang Wang, Medicinsk avbildning; Professor Örjan Smedby, Medicinsk avbildning; Professor Eric Westman, Department of Neurobiology, Care Sciences and Society, Karolinska Institutet; Professor Lars-Olof Wahlund, Department of Neurobiology, Care Sciences and Society, Karolinska Institutet
QC 2022-02-28
Abstract
Magnetresonansbilder (MR-bilder) används för att framställa detaljerade bilder av hjärnan utan joniserande strålning. Från en strukturell MR-bild är det möjligt att extrahera morfologiska egenskaper hos hjärnans olika regioner, såsom deras volym och form. Dessa egenskaper kan ge bättre förståelse för förändringar som hjärnan utsätts för på grund av en mängd faktorer (exempelvis miljö eller sjukdom) samt bidra till att identifiera nya bildbaserade biomarkörer för neurologiska och psykiatriska sjukdomar. Den här avhandlingens huvudsakliga mål är att bidra till kunskapen om hur bildbehandling av MR-bilder kan användas för att analysera och karaktärisera hjärnstrukturer.
De två första delarbetena som ingår i avhandlingen är djurstudier som primärt avser att använda MR-data för att analysera skillnaderna mellan två kohorter. I Artikel I behandlas MR-bilder från domesticerade och vilda kaniner för att identifiera skillnader i hjärnstruktur mellan de två grupperna. Domesticering visade sig förändra hjärnstrukturen signifikant, både den gråa hjärnsubstansens volym och den vita hjärnsubstansens integritet. I Artikel II användes MR-bilder på råttor för att träna en datadriven modell att predicera hjärnålder. Modellen testades sedan på en kontrollgrupp och en grupp råttor som under flera månader utsattes för en mer stimulerande miljö samt fick en diet med restriktioner. Den mer hälsosamma livsstilen visade sig bidra till en lägre predicerad hjärnålder genom att sakta ner råttornas åldringsprocess, jämfört med kontrollgruppen. Hjärnåldern hos unga, vuxna råttor visade sig signifikant påverka råttornas överlevnad.
Artikel III, IV och V är människostudier som föreslår djupinlärningsbaserade metoder för att segmentera (avgränsa) hjärnstrukturer som kan påverkas av neurodegeneration. Artikel III och IV i synnerhet fokuserar på U-Net-baserad 2D-segmentering av corpus callosum (CC) hos patienter med multipel skleros. I båda studierna uppmättes god träffsäkerhet för segmenteringsalgoritmen och signifikant korrelation mellan CC:s area och patientens kognitiva och fysiska nedsättning. Utöver detta visar Artikel IV genom geometrisk analys av den segmenterade CC ett signifikant samband mellan sjukdom och CC:s tjocklek och böjvinkel. I Artikel V introduceras en ny metod för automatisk segmentering av hippocampus. Metoden kombinerar U-Net-baserad segmentering med en inbyggd statistisk representation av hippocampus’ form. Metoden visade sig ge en signifikant förbättring av segmenteringskvaliteten när metoden utvärderades på en ny, tidigare osedd, kohort. Goda resultat uppmättes även i tre olika diagnosgrupper (en frisk kontrollgrupp, patienter med milda kognitiva symptom och en grupp patienter med Alzheimers sjukdom) som särskilde sig genom tre olika nivåer av atrofi av hippocampus.
Sammanfattningsvis bidrar studierna som ingår i avhandlingen till att förstärka värdet av MR-bildanalys för framsteg inom neurovetenskapen, och detta på två sätt. Genom att applicera väletablerade bildbehandlingsmetoder på dataset som ännu inte utforskats i litteraturen var det möjligt att karaktärisera specifika förändringar i hjärnans geometri och därmed lösa relevanta kliniska eller biologiska utmaningar. Vidare har studierna bidragit till den teknologiska metodutvecklingen genom att modifiera och utvidga existerande bildbehandlingsmetoder för hjärnbilder för att uppnå goda resultat på nya dataset.