Resumo: Distúrbios cerebrais são caracterizados por deformações morfológicas na forma e tamanho de estruturas (sub)corticais em um ou ambos hemisférios. Estas deformações causam desvios do padrão de normal das assimetrias cerebrais, resultando em lesões assimétricas que diretamente afetam a condição do paciente. É clinica- mente crucial, portanto, definir assimetrias cerebrais normais para a identificação e detecção precoce destas deformações (anomalias cerebrais) para um diagnóstico e tratamento adequados. A maioria dos métodos computacionais presentes na literatura confiam em aprendizado de máquina supervisionado para detectar ou segmentar anomalias em imagens de cérebro. Entretanto, estes métodos requerem um grande conjunto de imagens de treinamento de alta qualidade anotadas, que é escasso para a maioria dos problemas de análise de imagens médicas. Além disso, eles são projetados para as lesões encontradas no conjunto de treinamento, sendo que alguns métodos ainda requerem refinamento dos pesos do modelo (retreinamento) quando usados por um novo conjunto de imagens. Em contraste, métodos não-supervisionados visam aprender um modelo a partir de imagens saudáveis não-rotuladas, de maneira que uma imagem inédita que quebre condições prévias deste modelo, i.e., um outlier, é considerada uma anomalia. À medida que estes métodos não usam imagens rotuladas, eles são menos efetivos em detectar lesões de uma doença específica, quando comparados com abordagens supervisionadas treinadas a partir de imagens rotuladas para a mesma doença. Pela mesma razão, entretanto, métodos não-supervisionados são genéricos em detectar qualquer lesão, por exemplo lesões provenientes de múltiplas doenças, uma vez que elas notavelmente diferente de imagens de treinamento saudáveis. Esta tese endereça o desenvolvimento de soluções para alavancar o aprendizado de máquina não-supervisionado para a detecção/análise de assimetrias cerebrais anormais relacionadas a anomalias em imagens de ressonância magnética (RM). Primeiramente, nós propomos uma abordagem automática baseada em atlas probabilístico para a segmentação de cérebros anormais. Seu objeto é definir nossas macrorregiões de interesse ¿ i.e., hemisfério esquerdo e direito, cerebelo e tronco cerebral ¿ para, assim, melhorar o pré-processamento, restringir a análise e computar assimetrias cerebrais em alguns casos. Em segundo lugar, nós exploramos um método automático para a detecção de hipocampos anormais a partir de assimetrias anormais. Nossa solução usa redes neurais generativas e classificadores de classe única para modelar assimetrias hipocampais normais dentro de pares de janelas 3D de pessoas saudáveis, e então detectar hipocampos anormais. Em terceiro lugar, nós apresentamos um arcabouço mais genérico para detectar assimetrias anormais em todas as regiões dos hemisférios. Nossa abordagem extrai pares de regiões simétricas ¿ chamadas supervoxels ¿ em ambos os hemisférios de uma imagem de teste sob análise. Classificadores de classe única então analisam as assimetrias presentes em cada par. A detecção deste método limita-se a lesões assimétricas encontradas nos hemisférios. Finalmente, nós generalizamos a solução anterior para a detecção de lesões (as)simétricas baseadas em erros de registro. Os resultados experimentais em imagens de RM 3D de pessoas saudáveis e pacientes com uma variedade de lesões mostram a efetividade e robustez das abordagens não-supervisionadas propostas nesta tese para a detecção de anomalias cerebrais Ver menos

Abstract: Brain disorders are characterized by morphological deformations in shape and size of (sub)cortical structures in one or both hemispheres. These deformations cause deviations from the normal pattern of brain asymmetries, resulting in asymmetric lesions that directly affect the patient¿s condition. It is hence clinically crucial to define normal brain asymmetries for the identification and detection of these deformations (brain anomalies) early for proper diagnosis and treatment. Most automatic computational methods in the literature rely on supervised machine learning to detect or segment anomalies in brain images. However, these methods require a large number of high-quality annotated training images, which is absent for most medical image analysis problems. Besides, they are only designed for the lesions found in the training set, and some methods still require weight fine-tuning (retraining) when used for a new set of images. In contrast, unsupervised methods aim to learn a model from unlabeled healthy images, so that an unseen image that breaks priors of this model, i.e., an outlier, is considered an anomaly. As these methods do not use labeled images, they are less effective in detecting lesions from a specific disease when compared to supervised approaches trained from labeled images for the same disease. For the same reason, however, unsupervised methods are generic in detecting any lesions, e.g., coming from multiple diseases, as long as these notably differ from healthy training images. This thesis addresses the development of solutions to leverage unsupervised machine learning for the detection/analysis of abnormal brain asymmetries related to anomalies in magnetic resonance (MR) images. First, we propose an automatic probabilistic-atlas-based approach for anomalous brain image segmentation. Its goal is to define our target macro-regions of interest ¿ i.e., right and left hemispheres, cerebellum, and brainstem ¿ to improve the preprocessing, restrict the analysis, and compute hemispheric asymmetries in some cases. Second, we explore an automatic method for the detection of abnormal hippocampi from abnormal asymmetries. Our solution uses deep generative networks and a one-class classifier to model normal hippocampal asymmetries inside pairs of 3D patches from healthy subjects and detect abnormal hippocampi. Third, we present a more generic framework to detect abnormal asymmetries in the entire brain hemispheres. Our approach extracts pairs of symmetric regions ¿ called supervoxels ¿ in both hemispheres of a test image under study. One-class classifiers then analyze the asymmetries present in each pair. This method is limited to detect asymmetric lesions only in the hemispheres. Finally, we generalize the previous solution for the detection of (a)symmetric lesions based on registration errors. Experimental results on 3D MR-T1 images from healthy subjects and patients with a variety of lesions show the effectiveness and robustness of the proposed unsupervised approaches for brain anomaly detection Ver menos