Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/12754
Title: Deep learning in medical image analysis : a comparative analysis of multi-modal brain-MRI segmentation with 3D deep neural networks
Other Titles: Αναλυση ιατρικών εικόνων με δίκτυα βαθιάς μάθησης
Authors: Αδάλογλου, Νικόλαος
Keywords: Deep learning
Magnetic resonance imaging (MRI)
Neural networks
Brain medical imaging
Keywords (translated): Βαθιά μάθηση
Μαγνητική τομογραφία
Νευρωνικά δίκτυα
Abstract: Volumetric segmentation in magnetic resonance images is mandatory for the diagnosis, monitoring, and treatment planning. Manual practices require anatomical knowledge, are expensive, time consuming and can be inaccurate due to human factor. Automated segmentation can save physicians time and provide an accurate reproducible solution for further analysis. In this thesis, automated brain segmentation from multi-modal 3D magnetic resonance images (MRIs) is studied. An extensive comparative analysis of state-of-the-art 3D deep neural networks for brain sub-region segmentation is performed. We start by describing the fundamentals of MR Imaging because it is crucial to understand your input data to train a deep architecture. Then, we provide the reader with an overview of how deep learning works by extensively analyzing every component (layer) of a deep network. After we study the fields of magnetic resonance and deep learning separately, we attempt give a broader perspective of the intersection of this two fields with a different range of application of deep networks, from MR image reconstruction to medical image generation. Our work is focused on multi-modal brain segmentation. For our experiments, we used two common benchmark datasets from medical image challenges. Brain MR segmentation challenges aim to evaluate state-of-the-art methods for the segmentation of brain by providing a 3D MRI dataset with ground truth tumor segmentation labels annotated by physicians. In order to evaluate state-of-the-art 3D architectures, we briefly analyze the author’s approaches, as well as to provide the reader with an intuition behind the design choices. We perform a comparative analysis of the baseline architectures through extensive evaluations. The implemented networks were based on the specifications of the original papers. Finally, we discuss the reported results and provide future directions for implementing an open-source medical segmentation library in PyTorch along with data loaders of the most common medical MRI datasets. The goal is to produce a 3D deep learning library for medical imaging related tasks. We strongly believe in open and reproducible deep learning research. In order to reproduce our results, the code (alpha release) and materials of this thesis are available in https://github.com/black0017/MedicalZooPytorch
Abstract (translated): Η τμηματοποίηση/κατάτμηση σε εικόνες μαγνητικής τομογραφίας είναι απαραίτητη για τη διάγνωση, την παρακολούθηση και τον προγραμματισμό θεραπείας του ασθενούς. Οι πρακτικές χειρωνακτικής επισημείωσης των ογκομετρικών στοιχείων (voxels) απαιτούν ανατομικές γνώσεις, είναι ιδιαίτερα δαπανηρές και χρονοβόρες. Επιπλέον, μπορεί αρκετές φορές να είναι ανακριβείς λόγω του ανθρώπινου συντελεστή. Η αυτοματοποιημένη κατάτμηση μπορεί να εξοικονομήσει χρόνο σε γιατρούς και ακτινολόγους και να παράγει μια ικανοποιητικά ακριβή λύση για περαιτέρω ανάλυση. Σε αυτή τη μεταπτυχιακή διπλωματική εργασία, μελετάται η αυτοματοποιημένη τμηματοποίηση του εγκεφάλου από τις πολυτροπική πληροφορία εικόνων 3D μαγνητικού συντονισμού( Τ1w, Τ2w, T1-IR, T2-FLAIR). Διεξάγεται μια εκτεταμένη συγκριτική ανάλυση των σύγχρονων 3D αρχιτεκτονικών των νευρωνικών δικτύων βαθιάς μάθησης, για την τμηματοποίηση των περιοχών του εγκεφάλου. Αρχίζουμε περιγράφοντας της θεμελιώδης αρχές της παραγωγής της μαγνητικής τομογραφίας. Σε εφαρμογές βαθιάς μάθησης, είναι σημαντικό να γνωρίζουμε τα δεδομένα προς επεξεργασία για να εκπαιδευτεί ένα σύστημα με παραμέτρους της τάξης των εκατομμυρίων. Στη συνέχεια, παρέχεται στον αναγνώστη μια επισκόπηση του τρόπου με τον οποίο λειτουργούν τα δίκτυα βαθιά μάθησης, αναλύοντας εκτενώς κάθε στοιχείο (στρώμα) ενός τέτοιου δικτύου. Εφόσον τα δυο πεδία έχουν αναπτυχθεί ξεχωριστά - μαγνητική τομογραφική εικόνα και δίκτυα βαθιάς μάθησης- προσπαθούμε να δώσουμε μια ευρύτερη προοπτική της διασταύρωσης αυτών των δύο πεδίων με μια σειρά εφαρμογών, από την ανακατασκευή της μαγνητικής τομογραφίας έως την τεχνητή παραγωγή από συστήματα νευρωνικών δικτύων νέων ιατρικών εικόνων. Η εργασία αυτή εστιάζει στην πολυτροπική τμηματοποίηση του εγκεφάλου. Για τα πειράματά μας, χρησιμοποιήσαμε δύο ευρέως γνωστά σύνολα δεδομένων από μαγνητικές τομογραφίας. Τα σύνολα δεδομένων που χρησιμοποιήθηκαν στα πλαίσια διαγωνισμών σε κορυφαία συνέδρια ιατρικής επεξεργασίας εικόνας, αποσκοπούν στην αξιολόγηση των σύγχρονων αρχιτεκτονικών για τον τμηματοποίηση του εγκεφάλου, παρέχοντας επισημειωμένα τρισδιάστατα δεδομένα μαγνητικών. Για να αξιολογήσουμε τις σύγχρονες αρχιτεκτονικές 3D νευρωνικών δικτύων, αναλύουμε σύντομα τις προσεγγίσεις που ακολούθησαν οι αρχικές δημοσιεύσεις των συγγραφέων. Επίσης, παρέχουμε στον αναγνώστη μια διαίσθηση πίσω από τις επιλογές σχεδιασμού των αρχιτεκτονικών αυτών και Διεξάγουμε μια συγκριτική ανάλυση μέσω εκτεταμένων πειραμάτων. Τέλος, σχολιάζουμε τα αναφερόμενα αποτελέσματα και παρέχουμε μελλοντικές κατευθύνσεις για την υλοποίηση μιας ανοιχτού κώδικα βιβλιοθήκης ιατρικής επεξεργασίας μαγνητικών τομογραφιών με βαθιά 3D δίκτυα. Επειδή πιστεύουμε στην ανοιχτή έρευνα και προκειμένου να αναπαραχθούν τα αποτελέσματά μας, η πρώτη έκδοση του κώδικα μας είναι διαθέσιμη στη διεύθυνση: https://github.com/black0017/MedicalZooPytorch
Appears in Collections:Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογιστών (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
MSc_Thesis_Adaloglou_final.pdf5.7 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons