Methods for brain MRI image synthesis and analysis

QC 2024-12-02

Abstract

Magnetresonanstomografi (MRT) har gjort det möjligt att observera hjärnans inre strukturer i realtid och erbjuder forskare en inblick i hur den mänskliga hjärnan utvecklas och åldras, samt de mekanismer som ligger till grund för neurologiska sjukdomar. Med den tekniska utvecklingen inom hjärnavbildning och ökningen av neuroimagingdata har efterfrågan på automatiserade algoritmer också vuxit. Den snabba utvecklingen inom djupinlärning och datorseende har lett till framsteg även vid dess tillämpning på hjärnavbildning. Medicinsk avbildning har dock sina egna specifika utmaningar, vilka hittills inte systematiskt har behandlats (removed duplicated "har") av generell forskning inom djupinlärning. I denna avhandling är målet att bemöta utmaningarna som uppstår inom tre specifika forskningsproblem inom neuroimaging. För varje problem kommer de specifika utmaningarna först att förklaras och därefter presenteras föreslagna lösningar.

De första studierna behandlar de specifika utmaningar som uppstår vid neuroimaging av Alzheimers patienter. Ett stort problem inom AD-forskning är att kunna särskilja effekterna av normalt åldrande och sjukdomsrelaterade förändringar på hjärnans anatomi för tidigare sjukdomsidentifiering. Longitudinell data är en viktig grund för att förstå hur normalt åldrande påverkar hjärnan. Insamlingen av sådana data är dock ofta mycket kostsam, och många öppna dataset har oregelbundna tidsintervall och avhopp från försökspersoner. I den första studien utvecklades därför en metod baserad på diffeomorfisk registrering för att fylla i saknade tidpunkter i longitudinella dataset. För att ytterligare kunna skilja mellan åldersrelaterade och sjukdomsrelaterade morfologiska förändringar presenterar den andra studien en generativ modell som förutsäger hjärnförändringar baserat på en enda MRI-resultat, enligt antingen frisk eller patologisk utveckling. Modellen är utformad med diffeomorfiska begränsningar för att garantera att de predikterade morfologiska förändringarna överensstämmer med hjärnans topologi. I den tredje studien introduceras och valideras istället ett nytt deformationsbaserat morfometri-framework som använder deformationsfält från registrering för att utföra jämförelser mellan olika grupper. Deformationen delas, i detta framework, upp i komponenter som kan tillskrivas normalt åldrande respektive patologiska förändringar vilket möjliggör en mer nyanserad förståelse av hur de interagerar.

Det andra problemområdet som avhandlingen behandlar är pediatrisk hjärntumörssegmentering. Annoterade dataset för pediatriska hjärntumörer är generellt små eftersom annoteringen kräver hög precision och kompetens vilket leder till att utvecklingen av övervakade segmenteringsalgoritmer är utmanande. I den fjärde studien föreslår vi istället en modell för domänanpassning med annoterad data för vuxna hjärntumörspatienter till den pediatriska kontexten. Modellen tränas utan annoterade pediatriska tumörer. 

Det tredje problemet som avhandlingen behandlar är registrering av longintudinell neuroimagingdata. Registrering är en grundläggande och central uppgift i neuroimaginganalys, och dess noggrannhet har ofta stor påverkan på efterföljande analyser. Vid analys av longitudinella neuroimagingdata kan rigid registrering ofta erhålla högre spatiell precision eftersom datan härrör från samma individ. Tidigare djupinlärningsmetoder för registrering har fokuserat på att registrera grupper av individer till ett gemensamt koordinatrum, vilket har visat sig ge otillräcklig noggrannhet vid longitudinell data. Den femte studien utvidgar därför en befintlig modell för att öka dess noggrannhet vid longitudinell registrering.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-357014