Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/348371
Type: TESE DIGITAL
Degree Level: Doutorado
Title: Automatic quality control of corpus callosum segmentations in large population studies : comparing deep and classical learning = Controle de qualidade automático de segmentações do corpo caloso em grandes estudos populacionais: comparando abordagens de aprendizado profundo e clássico
Title Alternative: Controle de qualidade automático de segmentações do corpo caloso em grandes estudos populacionais : comparando abordagens de aprendizado profundo e clássico
Author: García Herrera, William Javier, 1985-
Advisor: Rittner, Leticia, 1972-
Abstract: Resumo: O corpo caloso (CC) é a maior estrutura de substância branca do sistema nervoso central e permite comunicação entre os dois hemisférios cerebrais. Esta estrutura é importante uma vez que sua forma e volume estão associados a diversas características da pessoa, doenças neurodegenerativas e não degenerativas e condições clínicas. Normalmente, o CC é estudado usando imagens de ressonância magnética (MRI) onde é segmentado para conseguir extrair informação detalhada e realizar análises posteriores. À medida que a disponibilidade de bancos de dados de MRI cresce e os algoritmos automáticos de segmentação do CC proliferam, verificar o controle de qualidade (QC) é importante para garantir a confiabilidade das segmentações e evitar introduzir erros, que serão propagados ao longo da análise. Neste trabalho, comparamos dois métodos para fazer QC das segmentações do CC em T1-MRI sem uso de um ground-truth. O primeiro método usa técnicas clássicas de aprendizado de máquina fazendo extração manual de um descritor multi-resolução de forma, junto com um classificador baseado em um comitê de máquinas. O segundo método envolve técnicas de aprendizado profundo usando uma rede neural convolucional (CNN) para extrair descritores da máscara de segmentação e obter informação contextual da imagem. Nos experimentos foram usadas imagens de 907 sujeitos, adquiridas em duas sequências diferentes: 802 de T1-MRI (incluindo 7 sujeitos com presença de tumor afectando o CC) e 105 de MRI de difusão (procesadas para mapas de anisotropia fraccional). Todas as imagens provêm do hospital das clínicas da Unicamp, a excepção de 247 imagens de T1-MRI que provêm da iniciativa ABIDE para estudo de autismo. As duas abordagens propostas para aplicação de QC conseguiram um desempenho similar (área abaixo da curva ROC de 98% aproximadamente) quando treinadas e testadas em T1-MRI, assim como um tempo de execução idêntico (9 segundos para processar 136 amostras). Adicionalmente, o desempenho dos métodos foi testado em duas bases de dados diferentes à usada para treino: difusão e pacientes com tumor. Em MRI de difusão, a abordagem clássica apresentou melhor desempenho (AUC foi 20% maior), generalizando os padrões aprendidos em T1. No banco de dados de pacientes com tumor afetando o CC, prevaleceu a CNN com 80% de acurácia, se mostrando mais efetiva dado seu conhecimento do contexto a través da imagem de entrada. Ainda que os dois modelos podem ser usados em MRI, o método profundo é mais versátil, pudendo aprender novas formas e intensidades

Abstract: The corpus callosum (CC) is the largest white matter structure in the central nervous system, allowing communication between both brain cortical hemispheres. This structure is important since its shape and volume are associated with certain subject characteristics, some diseases, and clinical conditions. Usually, the CC is studied in magnetic resonance imaging (MRI), where it is segmented to extract precise information and perform posterior analyses. As the availability of MRI data grows up and the automated algorithms to perform CC segmentation proliferate, quality control (QC) verification is mandatory to assure reliability in segmentations and avoid errors that would otherwise propagate throughout the analysis. In this work, we compare two methods to perform QC of CC segmentations on T1-MRI with no need for ground-truth. The first method uses classical machine learning techniques by performing manual extraction of a multi-resolution shape descriptor along with a classifier based on a support vector machine ensemble. The second method involves a deep learning approach by using a convolutional neural network (CNN) to extract deep features from the segmentation mask and contextual information from the image. In the experiments, images from 907 subjects were acquired from two sequences: 802 T1-MRI (including 7 subjects with tumor affecting the CC), and 105 diffusion MRI (processed into fractional anisotropy maps). The dataset comes from Hospital das Clínicas from Unicamp, except for 247 T1-MRI that come from ABIDE for the study of autism. Both approaches got a similar performance (area under the curve ROC of 98%) when trained and tested on T1-MRI as well as an identical execution time (9 seconds to process 136 samples). The performance of the methods was evaluated on two other datasets: diffusion MRI and patients with tumor. In diffusion MRI, the classical approach presented the best performance (AUC was 20% higher). In a dataset of patients with tumor affecting the CC, the CNN prevailed with an accuracy of 80%. The CNN was more versatile to learn new shapes and image intensities
Subject: Corpo caloso
Imagem de ressonância magnética
Controle de qualidade
Máquina de vetores de suporte
Redes neurais convolucionais
Language: Português
Editor: [s.n.]
Citation: GARCÍA HERRERA, William Javier. Automatic quality control of corpus callosum segmentations in large population studies: comparing deep and classical learning = Controle de qualidade automático de segmentações do corpo caloso em grandes estudos populacionais: comparando abordagens de aprendizado profundo e clássico. 2020. 1 recurso online (71 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: http://www.repositorio.unicamp.br/handle/REPOSIP/348371. Acesso em: 31 Aug. 2020.
Date Issue: 2020
Appears in Collections:FEEC - Tese e Dissertação

Files in This Item:
File SizeFormat 
GarciaHerrera_WilliamJavier_D.pdf6.55 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.