Deep learning for atrophy quantification in brain magnetic resonance imaging

The quantification of cerebral atrophy is fundamental in neuroinformatics since it permits diagnosing brain diseases, assessing their progression, and determining the effectiveness of novel treatments to counteract them. However, this is still an open and challenging problem since the performance 2/...

Descripción completa

Detalles Bibliográficos
Autor: Bernal Moyano, Jose
Tipo de recurso: tesis doctoral
Estado:Versión publicada
Fecha de publicación:2020
País:España
Institución:CBUC, CESCA
Repositorio:TDR. Tesis Doctorales en Red
OAI Identifier:oai:www.tdx.cat:10803/671699
Acceso en línea:http://hdl.handle.net/10803/671699
Access Level:acceso abierto
Palabra clave:Aprenentatge profund
Aprendizaje profundo
Deep learning
Atròfia cerebral
Atrofia cerebral
Cerebral atrophy
Quantificació
Cuantificación
Quantification
Xarxes neuronals convolucionals
Redes neuronales convolucionales
Convolutional neural networks
Segmentació de teixits
Segmentación de tejidos
Tissue segmentation
Imatges per ressonància magnètica
Imágenes por resonancia magnética
Magnetic resonance imaging
Ressonància magnètica cerebral
Resonancia magnética cerebral
Brain MRI
004
615
616.8
id ES_dbadc297ad4f52fa7a67d834f2ccb667
oai_identifier_str oai:www.tdx.cat:10803/671699
network_acronym_str ES
network_name_str España
repository_id_str
spelling Deep learning for atrophy quantification in brain magnetic resonance imagingBernal Moyano, JoseAprenentatge profundAprendizaje profundoDeep learningAtròfia cerebralAtrofia cerebralCerebral atrophyQuantificacióCuantificaciónQuantificationXarxes neuronals convolucionalsRedes neuronales convolucionalesConvolutional neural networksSegmentació de teixitsSegmentación de tejidosTissue segmentationImatges per ressonància magnèticaImágenes por resonancia magnéticaMagnetic resonance imagingRessonància magnètica cerebralResonancia magnética cerebralBrain MRI004615616.8The quantification of cerebral atrophy is fundamental in neuroinformatics since it permits diagnosing brain diseases, assessing their progression, and determining the effectiveness of novel treatments to counteract them. However, this is still an open and challenging problem since the performance 2/2 of traditional methods depends on imaging protocols and quality, data harmonisation errors, and brain abnormalities. In this doctoral thesis, we question whether deep learning methods can be used for better estimating cerebral atrophy from magnetic resonance images. Our work shows that deep learning can lead to a state-of-the-art performance in cross-sectional assessments and compete and surpass traditional longitudinal atrophy quantification methods. We believe that the proposed cross-sectional and longitudinal methods can be beneficial for the research and clinical communityLa cuantificación de la atrofia cerebral es fundamental en la neuroinformática ya que permite diagnosticar enfermedades cerebrales, evaluar su progresión y determinar la eficacia de los nuevos tratamientos para contrarrestarlas. Sin embargo, éste sigue siendo un problema abierto y difícil, ya que el rendimiento de los métodos tradicionales depende de los protocolos y la calidad de las imágenes, los errores de armonización de los datos y las anomalías del cerebro. En esta tesis doctoral, cuestionamos si los métodos de aprendizaje profundo pueden ser utilizados para estimar mejor la atrofia cerebral a partir de imágenes de resonancia magnética. Nuestro trabajo muestra que el aprendizaje profundo puede conducir a un rendimiento de vanguardia en las evaluaciones transversales y competir y superar los métodos tradicionales de cuantificación de la atrofia longitudinal. Creemos que los métodos transversales y longitudinales propuestos pueden ser beneficiosos para la comunidad investigadora y clínicaPrograma de Doctorat en TecnologiaUniversitat de GironaOliver i Malagelada, ArnauLladó Bardera, XavierUniversitat de Girona. Departament d'Arquitectura i Tecnologia de ComputadorsUniversitat de Girona. Institut de Recerca en Visió per Computador i Robòtica202120212020info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/publishedVersion183 p.application/pdfapplication/pdfhttp://hdl.handle.net/10803/671699TDX (Tesis Doctorals en Xarxa)reponame:TDR. Tesis Doctorales en Redinstname:CBUC, CESCAInglésADVERTIMENT. Tots els drets reservats. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.info:eu-repo/semantics/openAccessoai:www.tdx.cat:10803/6716992026-06-14T12:46:07Z
dc.title.none.fl_str_mv Deep learning for atrophy quantification in brain magnetic resonance imaging
title Deep learning for atrophy quantification in brain magnetic resonance imaging
spellingShingle Deep learning for atrophy quantification in brain magnetic resonance imaging
Bernal Moyano, Jose
Aprenentatge profund
Aprendizaje profundo
Deep learning
Atròfia cerebral
Atrofia cerebral
Cerebral atrophy
Quantificació
Cuantificación
Quantification
Xarxes neuronals convolucionals
Redes neuronales convolucionales
Convolutional neural networks
Segmentació de teixits
Segmentación de tejidos
Tissue segmentation
Imatges per ressonància magnètica
Imágenes por resonancia magnética
Magnetic resonance imaging
Ressonància magnètica cerebral
Resonancia magnética cerebral
Brain MRI
004
615
616.8
title_short Deep learning for atrophy quantification in brain magnetic resonance imaging
title_full Deep learning for atrophy quantification in brain magnetic resonance imaging
title_fullStr Deep learning for atrophy quantification in brain magnetic resonance imaging
title_full_unstemmed Deep learning for atrophy quantification in brain magnetic resonance imaging
title_sort Deep learning for atrophy quantification in brain magnetic resonance imaging
dc.creator.none.fl_str_mv Bernal Moyano, Jose
author Bernal Moyano, Jose
author_facet Bernal Moyano, Jose
author_role author
dc.contributor.none.fl_str_mv Oliver i Malagelada, Arnau
Lladó Bardera, Xavier
Universitat de Girona. Departament d'Arquitectura i Tecnologia de Computadors
Universitat de Girona. Institut de Recerca en Visió per Computador i Robòtica
dc.subject.none.fl_str_mv Aprenentatge profund
Aprendizaje profundo
Deep learning
Atròfia cerebral
Atrofia cerebral
Cerebral atrophy
Quantificació
Cuantificación
Quantification
Xarxes neuronals convolucionals
Redes neuronales convolucionales
Convolutional neural networks
Segmentació de teixits
Segmentación de tejidos
Tissue segmentation
Imatges per ressonància magnètica
Imágenes por resonancia magnética
Magnetic resonance imaging
Ressonància magnètica cerebral
Resonancia magnética cerebral
Brain MRI
004
615
616.8
topic Aprenentatge profund
Aprendizaje profundo
Deep learning
Atròfia cerebral
Atrofia cerebral
Cerebral atrophy
Quantificació
Cuantificación
Quantification
Xarxes neuronals convolucionals
Redes neuronales convolucionales
Convolutional neural networks
Segmentació de teixits
Segmentación de tejidos
Tissue segmentation
Imatges per ressonància magnètica
Imágenes por resonancia magnética
Magnetic resonance imaging
Ressonància magnètica cerebral
Resonancia magnética cerebral
Brain MRI
004
615
616.8
description The quantification of cerebral atrophy is fundamental in neuroinformatics since it permits diagnosing brain diseases, assessing their progression, and determining the effectiveness of novel treatments to counteract them. However, this is still an open and challenging problem since the performance 2/2 of traditional methods depends on imaging protocols and quality, data harmonisation errors, and brain abnormalities. In this doctoral thesis, we question whether deep learning methods can be used for better estimating cerebral atrophy from magnetic resonance images. Our work shows that deep learning can lead to a state-of-the-art performance in cross-sectional assessments and compete and surpass traditional longitudinal atrophy quantification methods. We believe that the proposed cross-sectional and longitudinal methods can be beneficial for the research and clinical community
publishDate 2020
dc.date.none.fl_str_mv 2020
2021
2021
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/publishedVersion
format doctoralThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/10803/671699
url http://hdl.handle.net/10803/671699
dc.language.none.fl_str_mv Inglés
language_invalid_str_mv Inglés
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 183 p.
application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universitat de Girona
publisher.none.fl_str_mv Universitat de Girona
dc.source.none.fl_str_mv TDX (Tesis Doctorals en Xarxa)
reponame:TDR. Tesis Doctorales en Red
instname:CBUC, CESCA
instname_str CBUC, CESCA
reponame_str TDR. Tesis Doctorales en Red
collection TDR. Tesis Doctorales en Red
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869421698246246400
score 15,300719

Similares en LA Referencia