is Íslenska en English

Lokaverkefni (Meistara)

Háskóli Íslands > Verkfræði- og náttúruvísindasvið > Meistaraprófsritgerðir - Verkfræði- og náttúruvísindasvið >

Vinsamlegast notið þetta auðkenni þegar þið vitnið til verksins eða tengið í það: http://hdl.handle.net/1946/31262

Titill: 
  • Titill er á ensku Brain Age Prediction using Magnetic Resonance Imaging and Deep Learning
  • Djúpt tauganet sem spáir fyrir um líffræðilegan aldur heila út frá segulómunarmyndum
Námsstig: 
  • Meistara
Útdráttur: 
  • Útdráttur er á ensku

    Recent papers have shown that age-related brain changes can be used to predict the age of individuals by training supervised regression methods on MR brain images. These predictions can be used to estimate biological brain age and find disease and genetic components associated with abnormal brain aging.
    In this thesis, we develop a few different types of methods to predict brain age, with the aim of predicting brain age with state-of-the-art accuracy. The primary method uses convolutional neural networks (CNN) to predict brain age from T1-weighted magnetic resonance images (MRI), Jacobian maps, gray matter segmented and white matter segmented images. The method is based on a residual CNN architecture and uses covariates in a deep learning framework. We also look at other machine learning methods trained on surface-based morphometry (SBM) and volume-based morphometry (VBM) features.
    The methods were trained on an Icelandic MRI dataset and evaluated on two publicly available datasets, i.e., the UK Biobank and the IXI (Information eXtraction from Images) dataset. We demonstrated that the prediction accuracy can be improved on new sites by utilizing transfer learning. We developed a feature map visualization technique and a CNN feature importance method and used it to show that the putamen, thalamus, and pallidum are the most important brain regions for predicting brain age with the CNN. We found that subjects with schizophrenia had a significantly higher PAD (predicted age difference) compared to healthy controls. In addition, we looked at associations between the PAD and a large list of phenotypes. The most accurate brain age prediction method was an ensemble of the four convolutional neural networks that had a mean absolute error (MAE) of 3.388 years and 0.872 $R^2$ on the test set.

  • Nýlegar greinar hafa sýnt að það er hægt að þjálfa aðhvarfsgreiningaraðferðir á segulómunarmyndum af heila til að spá með fyrir um aldur einstaklinga. Þessi spágildi eru mat á lífræðilegum aldri heila og geta verið notuð til að finna sjúkdóma og erfðaþætti sem tengjast óeðlilegri heilaöldrun.
    Í þessari meistararitgerð munum við þróa nokkrar mismunandi gerðir af aðferðum til að spá fyrir um aldur heila með því markmiði að spá fyrir um heilaaldur nákvæmar en áður. Aðal aðferðin byggir á þrívíðu földunarneti (e. convolutional neural network) sem er þjálfað til þess að spá fyrir um aldur heila með því að líta á T1-vigtaðar segulómunarmyndir, Jacobian varpanir, heila myndir af gráu efni og heila myndir af hvítu efni. Þetta er fyrsta djúpa aðferðin sem notar leifa (e. residual) földunarnets arkitektúr til að spá fyrir aldur og getur leiðrétt fyrir breytum. Við þjálfum líka einfaldar minnsturgreiningaraðferðir til að spá fyrir um aldur heila með því að líta á volume-based morphometry (VBM) og surface-based morphometry (SBM) gögn.
    Aðferðirnar voru þjálfaðar á íslenskum gögnum og prófaðar á UK Biobank og IXI (Information eXtraction from Images) gagnasöfnunum. Við sýndum fram á að það er hægt að bæta spánákvæmni á nýjum gagnasöfnum með því að nota flutningslærdóm (e. transfer learning). Við þróuðum aðferð til að sýna feature maps og aðferð til að finna svæðin sem hafa mest áhrif á spá um heilaaldur með földunarneti. Þrjú miklvægustu heilasvæðin eru gráhýði (e. putamen), heilastúka (e. thalamus) og bleikjuhnöttur (e. pallidum). Við komumst að því að einstaklingar með geðklofa höfðu marktækt hærri áætluðan aldursmun (e. predicted brain age) samanborið við heilbrigða einstaklinga. Að auki skoðuðum við stóran lista svipgerða (e. phenotypes) og tengsl þeirra við áætlaðan aldursmun. Nákvæmasta aðferðin okkar byggði á því að blanda saman fjórum földunarnetum og var með mean absolute error (MAE) upp á 3.388 ár og 0.872 $R^2$ á prófunargögnunum.

Styrktaraðili: 
  • Íslensk erfðagreining
Samþykkt: 
  • 15.6.2018
URI: 
  • http://hdl.handle.net/1946/31262


Skrár
Skráarnafn Stærð AðgangurLýsingSkráartegund 
Brain_Age_Prediction_Thesis-BAJ_Final_Version.pdf2.62 MBOpinnHeildartextiPDFSkoða/Opna
Yfirlýsing um meðferð.pdf284.23 kBLokaðurYfirlýsingPDF