Spatial normalization and analysis of brain MRI studies – a deep neural network based approach

Abstract

Throughout the years, Deep Learning has proven to be an excellent technology to solve problems that would otherwise be too complex. Furthermore, it has shown great success in the area of medical imaging, especially when applied to segmentation of brain tissues. As such, this dissertation explores a possible new approach, using Deep Artificial Neural Networks to perform spatial normalization on brain MRI studies as well as classify using Brain MRI studies regarding their state of brain atrophy. Spatial normalization of Magnetic Resonance images by tools like the FSL, or SPM turned out to be inefficient for researches as they need too many resources to achieve good results. These resources include, for example, wasted human and computer time when executing the commands to normalize and waiting for the process to finish, this can take up to several hours just for one study. Therefore, a new approach was needed, a faster and easier way to normalize the MRI studies. To do so, Deep Artificial Neural Networks were used by creating a python program to deal with said studies in much less time. This program should free the researchers’ time for other more relevant tasks and help reach conclusions faster in their studies when trying to find patterns between the analysed brains. Several architectures were tried, having better results with U-Net based architecture as well as GAN architecture. At the end, the model couldn’t learn correctly all the brain features to be changed in any of the approaches but showed great potential. Even though the final model did achieve the correct shape it could not yet achieve the final normalization. With some more time invested in perfecting the models, these could, in the future, learn to correctly perform the final normalization and allow the researchers to perform it in less than 10 seconds per exam instead of hours. Regarding the Brain Atrophy models, the models showed some potential too as the predictions were partially correct. With more data, and less unbalanced, the model could probably learn correctly and output the expected results for all classes.

Ao longo dos anos, abordagens Deep Learning têm provado ser uma excelente tecnologia para resolver problemas que seriam complexos demais. Além disso, demonstrou grande sucesso na área da imagem médica, principalmente quando aplicada em segmentação de imagens. Como tal, esta dissertação explora uma possível nova abordagem, usando as Redes Neurais Artificiais Profundas para realizar a normalização espacial em estudos de RM do cérebro, bem como classificá las usando estudos cerebrais de RM em relação ao seu estado de atrofia cerebral. A normalização espacial dos estudos de ressonância magnética através de ferramentas como a biblioteca FSL acabou sendo pouco eficiente para uso na investigação, pois estas ferramentas precisam de muitos recursos para obter bons resultados. Esses recursos incluem, por exemplo, desperdício de tempo humano e de computador ao executar os comandos para normalizar e aguardar a conclusão do processo; o que pode demorar várias horas, apenas para um estudo. Portanto, uma nova abordagem é necessária, uma maneira mais rápida e fácil de normalizar os estudos de RM. Para isso, foram utilizadas Redes Neurais Artificiais Profundas, criando um programa em python para lidar com os estudos em muito menos tempo. Esse programa deve liberar o tempo dos investigadores para outras tarefas mais exigentes e ajudar a chegar a conclusões mais rapidamente nos seus estudos, ao tentar encontrar padrões entre os cérebros analisados. Várias arquiteturas para o modelo foram testadas, obtendo melhores resultados com a arquitetura baseada em U-Net e com a arquitetura GAN. No final, o modelo não conseguiu aprender corretamente todos os detalhes do cérebro a serem alterados em nenhuma das abordagens, mas mostrou grande potencial. Apesar de o modelo final ter atingido a forma correta, ainda não conseguiu a normalização final. Com mais tempo investido no aperfeiçoamento dos modelos, estes poderiam, no futuro, aprender a executar corretamente a normalização final e permitir que os pesquisadores realizassem este processo em menos de 10 segundos por exame, em vez de horas. Em relação aos modelos de atrofia cerebral, estes também mostraram algum potencial, pois as previsões estavam parcialmente corretas. Com mais dados e menos desequilíbrio nos mesmos, o modelo provavelmente poderia aprender corretamente e gerar os resultados esperados para todas as classes.