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/1946/43342

Titill: 
  • Titill er á ensku Automatic Segmentation of the Brainstem Substructures from MRI Using a Deep Learning Approach
Námsstig: 
  • Meistara
Útdráttur: 
  • Útdráttur er á ensku

    About 5 − 8% of individuals over the age of 60 have dementia. With our ever-aging population this number is likely to increase, making dementia one of the most important threats to public health in the 21st century. Given the phenotypic overlap of individual dementias, the diagnosis of dementia is a major clinical challenge, even with current gold standard diagnostic approaches. However, it has been shown that certain dementias show specific structural characteristics in the brain. Progressive supranuclear palsy (PSP) and multiple system atrophy (MSA) are prototypical examples of the phenomenon, as they often present with characteristic brainstem atrophy. More detailed characterization of the brain atrophy due to individual diseases is urgently required to select biomarkers and therapeutic targets that are meaningful to each disease. Here we present a joint multi-atlas segmentation and deep-learning based segmentation method for fast and robust parcellation of the brainstem into its four substructures, i.e., the midbrain, pons, medulla, and superior cerebellar peduncles (SCP), that in turn can provide detailed volumetric information on the brainstem substructures affected in PSP and MSA. Comparison with state-of-the-art labeling techniques evaluated on ground truth manual segmentations demonstrate that our method is significantly faster than prior methods as well as showing improvement in labeling the brainstem indicating that this strategy may be a viable option to provide a better characterization of the brainstem atrophy seen in PSP and MSA.

  • Um 5 − 8% af einstaklingum eldri en 60 ára þjást af heilabilun. Með auknum lífslíkum má gera ráð fyrir að þessi hópur muni stækka. Heilabilun verður því ein stærsta lýðheilsufræðilega áskorun 21. aldarinnar. Einkenni heilabilunar eru oft afar ósértæk, sérstaklega í upphafi þar sem fyrstu einkenni eru mjög svipuð milli mismunandi sjúkdóma. Mismunagreining er því flókin með núverandi greiningaraðferðum. Segulómmyndir af heila virðast spila lykilhlutverk í mismunagreiningu, þar sem fjöldi sjúkdóma sýnir sértæk hrörnurnar ummerki í vissum heilastöðvum. Progressive supranuclear palsy (PSP) og multiple system atrophy (MSA) eru hrörnunarsjúkdómar sem sýna einkennandi hrörnun á undirsvæðum heilastofnsins. Þessa sértæku hrörnun er mikilvægt að rannsaka, svo hægt sé að greina sjúkdómana snemma, en snemmgreining er nauðsynleg fyrir lyfja- og meðferðarþróun. Við höfum þróað myndgreiningaraðferð sem merkir sjálfvirkt undirsvæði heilastofnsins, þ.e. miðheili, pons (brú), mænukylfa og efri hnykilstoðir (SCP), af segulómmyndum af heila. Aðferðin tvinnar saman fjölatlasa myndflokkun og djúpu tauganeti, til að merkja heilasvæðin hratt og nákvæmlega.
    Samanburður við handmerktar myndir og aðrar myndflokkunaraðferðir, bendir til þess að aðferðin sé harðgerð, nákvæm og afar hraðvirk.

Samþykkt: 
  • 27.1.2023
URI: 
  • http://hdl.handle.net/1946/43342


Skrár
Skráarnafn Stærð AðgangurLýsingSkráartegund 
MS_Thesis_MM_FINAL.pdf3.89 MBLokaður til...01.01.2027HeildartextiPDF
Yfirlysing_MM.pdf250.24 kBLokaðurYfirlýsingPDF