Unsupervised brain anomaly detection in MR images

Zelflerend systeem voor opsporen van hersenafwijkingen

Hersenaandoeningen worden gekenmerkt door vervormingen van vorm en grootte van structuren in één of beide hemisferen. Deze vervormingen veroorzaken afwijkingen van het normale patroon van hersenasymmetrie, wat resulteert in asymmetrische beschadigingen die de conditie van de patiënt direct beïnvloeden.

Zelflerende computersystemen kunnen dit soort afwijkingen herkennen. Zogeheten ‘unsupervised’ methoden leren van een model van niet-gelabelde gezonde afbeeldingen, zodat een onbekende afbeelding die niet overeenkomt met het gezonde model als een afwijking wordt beschouwd. Dit soort systemen spoort beschadigingen in algemene zin op, dus afkomstig van meerdere ziekten, zolang deze verschillen van gezonde trainingsbeelden.

Samuel Botter Martins behandelt in zijn proefschrift de ontwikkeling van oplossingen om unsupervised machine learning toe te passen voor de detectie / analyse van abnormale hersensymmetrie gerelateerd aan afwijkingen in MRI-beelden. Als eerste presenteert hij een automatische probabilistic-atlas-based methode voor afwijkende hersenbeeldsegmentatie voor, gebaseerd op deep generative networks en een one-class classifier. Vervolgens onderzoekt hij een automatische methode voor de detectie van abnormale hippocampi vanuit abnormale asymmetrieën gebaseerd op deep generative networks en een one-class classifier.

Ten slotte presenteert Botter Martins een meer generiek raamwerk om abnormale asymmetrieën in de hersenhelften te detecteren. Zijn benadering extraheert paren van symmetrische regio's - supervoxels genaamd - in beide hemisferen van een bestudeerd testbeeld. One-class classifiers analyseren vervolgens de asymmetrieën die in elk paar aanwezig zijn. Experimentele resultaten op 3D MR-T1-afbeeldingen van gezonde proefpersonen en patiënten met een verscheidenheid aan laesies tonen de effectiviteit en robuustheid van de voorgestelde unsupervised methoden voor detectie van hersenafwijkingen.

Het promotieonderzoek van Samuel Botter Martins vond plaats bij de afdeling Wetenschappelijke Visualisatie en Computergrafiek van het Bernoulli Instituut. Hij werkt nu als Assistant professor aan het Federal Institute of São Paulo, Brazilië.

Proefschrift: http://hdl.handle.net/11370/0bd3f002-9212-4b20-a7f8-fda75adfb58a