Till innehåll på sidan

Development and application of rule- and learning-based approaches within the scope of neuroimaging

Tensor voting, tractography and machine learning

Tid: Må 2020-05-18 kl 09.00

Plats: https://kth-se.zoom.us/j/66671899677, (English)

Ämnesområde: Tillämpad medicinsk teknik

Respondent: Daniel Jörgens , Medicinsk avbildning

Opponent: Assoc. Professor Jesper Andersson, FMRIB-Centre, Oxford University

Handledare: Assoc. Professor Rodrigo Moreno, Medicinsk avbildning; Professor Örjan Smedby, Medicinsk avbildning; Chunliang Wang, Medicinsk avbildning

Exportera till kalender

Abstract

Möjligheten att från utsidan undersöka struktur och funktion hos olika delar av människokroppen har gjort medicinsk avbildning till ett oumbärligt verktyg i klinisk diagnostik och relaterade forskningsområden. Särskilt inom neurovetenskap är forskarna starkt beroende av metoder som strukturell eller funktionell magnetresonanstomografi (MRT), datortomografi (DT) eller positronemissionstomografi (PET) för att studera hjärnan hos den levande människan. Men också i rutinsjukvården bygger diagnostik, hälsokontroll eller uppföljning av olika sjukdomstillstånd på avbildning av hjärnan.

Beräkningsmetoder är oundgängliga för att analysera medicinska bilder. I motsats till konventionell fotografi, där den insamlade signalen innehåller själva bilden, kräver de flesta medicinska avbildningsmetoder att bilden rekonstrueras från insamlade data. Men det är inte bara bildalstringen, utan även den fortsatta behandlingen för att stödja det efterföljande beslutsfattandet, som är mer och mer automatiserade. Typiska uppgifter kan handla om att lokalisera och mäta strukturer i den enskilda patienten – t.ex. ett visst organ, en tumör eller en del av hjärnan – eller att jämföra sådana mätningar över tid mellan grupper bestående av ett stort antal personer. Automatiserade lösningar för dessa uppgifter krävs för att modellera komplexa relationer mellan data som är behäftade med insamlingsbrus och individuell variation utan att beräkningarna blir ohanterligt krävande.

Av tradition har utvecklingen av beräkningslösningar för medicinska avbildningsproblem fokuserat på regelbaserade strategier, ett arbetssätt som kännetecknas av explicit definierade regler som omsätter utvecklarens kunskaper. Under det senaste årtiondet har detta paradigm börjat ändras, och inlärningsbaserade modeller har ökat dramatiskt i popularitet. Dessa bygger på att en komplex modell anpassas till stora datamängder, ofta försedda med något slags anteckningar av erfarna praktiker (annoteringar), som kännetecknar ett specifikt problem. I stället för att manuellt konstruera den eftersökta lösningen, blir den inlärd från data. Samtidigt som dessa modeller har en enorm potential, ställer de utvecklarna inför viktiga frågor: Hur ska jag få tag i tillräckligt mycket data? Hur mycket data är tillräckligt? Hur ska jag få annoteringar av hög kvalitet?

Denna avhandling omfattar sex studier som täcker utveckling och tillämpning av metoder genom hela den medicinska bildbehandlingskedjan. Studie I och II föreslår olika utvidgningar av metoden tensorröstning för att göra den tillämpbar på specifika medicinska avbildningsproblem. Studie III–V behandlar användningen av moderna maskinlärningstekniker, mer specifikt neuronnät, inom området traktografi (avbildning av nervbanor i hjärnan). Utmaningen i att erhålla tillräckliga mängder annoterade data är centralt i Studie V. Studie VI utgör en prospektiv hjärnavbildningsstudie på vuxna med outvecklad inre hörselgång och innefattar tillämpning av metoder från datainsamlingtill gruppjämförelser. Sammantaget har alla de ingående arbetena, på ett eller annat sätt, bidragit till icke-invasiv generering av kunskap om människokroppen genom automatiserad medicinsk bildbehandling.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-272728