Segmentatie en Detectie van Hersenletsels met Multiparametrische MRI-gegevens door Combinatie van Diep Leren met Lagerangsfactorisatie

Hersenletsel segmentatie speelt een cruciale rol in klinische neurobeeldvorming, als ondersteuning bij diagnose, behandeling, ziektemonitoring en onderzoek. Nauwkeurige identificatie van de locatie en omvang van het letsel stelt clinici in staat geïnformeerde beslissingen te nemen over patiëntenzorg en biedt onderzoekers inzicht in de mechanismen van deze aandoeningen. Magnetische resonantie beeldvorming (MRI) is de primaire modaliteit voor het diagnosticeren en beoordelen van hersenletsels. Een combinatie van MRI-sequenties, bekend als multiparametrische MRI (mpMRI), wordt vaak gebruikt voor een uitgebreide beoordeling van het weefsel van het letsel. Deze techniek maakt gebruik van de unieke weefseleigenschappen die door elke sequentie worden benadrukt, wat een rijker beeld biedt dan een enkele sequentie alleen zou kunnen bieden.

Echter, handmatige segmentatie van hersenletsels in mpMRI-gegevens is tijdrovend, kostbaar en subjectief, met mogelijke variabiliteit tussen waarnemers. Geautomatiseerde methoden zorgen voor consistente, reproduceerbare resultaten en elimineren zowel inter- als intra-waarnemer variabiliteit, wat essentieel is voor longitudinale studies en multicenterproeven. Hoewel modellen voor diep leren, met name convolutionele neurale netwerken (CNN's), beeldsegmentatie hebben gerevolutioneerd, blijven er uitdagingen bestaan bij hun toepassing op hersenletsel segmentatie in de klinische praktijk. Deze omvatten gegevensschaarste, variabiliteit, klasse-onbalans, hoge computationele vereisten en zwarte dooskarakteristieken van modellen voor diep leren.

Dit proefschrift beoogt efficiënte datagedreven modellen te ontwikkelen voor geautomatiseerde segmentatie en detectie van hersenletsels, met name hersentumoren, Multiple Sclerose (MS) letsles en beroerteletsels, met behulp van mpMRI. Door geavanceerd diep leren te combineren met lage-rang factorisatietechnieken introduceren we een diagnostisch hulpmiddel dat hersenletsels nauwkeurig en interpreteerbaar segmenteert en detecteert zonder toegevoegde computationele complexiteit.

In het eerste deel van dit proefschrift richten we ons op de toepassing van CNN's voor de geautomatiseerde segmentatie van nieuwe MS-letsels in 3D FLAIR-beelden. Ons doel is het identificeren van nieuwe letsels tussen twee longitudinale MRI-scans van een MS-patiënt, wat een belangrijke indicator is voor ziekteprogressie. We introduceren Pre-U-Net, een 3D encoder-decoder architectuur bestaande uit pre-activatie restblokken. Om beperkte trainingsgegevens en klasse-onbalans te verminderen, gebruiken we data-augmentatie en diep toezicht voor optimale modeltraining. Vergelijkende analyse toont aan dat Pre-U-Net zowel U-Net als Res-U-Net overtreft op de MSSEG-2 dataset.

Het centrale deel van dit proefschrift presenteert een nieuwe methode die lage-rang factorisatie integreert met diep leren voor verbeterde medische beeldsegmentatie. Gezien de beperkingen van CNN's in het benutten van globale context en de kwadratische complexiteit van aandacht in transformatoren, introduceren we een familie van modellen, genaamd \emph{Factorizer}, die de kracht van lage-rang matrix factorisatie benutten om een schaalbaar en interpreteerbaar segmentatiemodel te construeren. Meer specifiek formuleren we niet-negatieve matrix factorisatie (NMF) als een differentieerbare laag en incorporeren deze in een U-vormige architectuur. Bovendien gebruiken we de verschoven venstertechniek in combinatie met NMF om effectief lokale informatie te aggregeren. Onze resultaten geven aan dat Factorizers beter presteren dan CNN's en transformatoren qua nauwkeurigheid, complexiteit en interpretatie, en zetten nieuwe benchmarks voor de BraTS en ISLES'22 datasets. Opmerkelijk is dat onze experimenten aantonen dat NMF-componenten zeer betekenisvol zijn, waarbij elk component specifieke regio's belicht, waardoor Factorizers een uniek voordeel hebben in interpretatie ten opzichte van CNN's en Transformatoren. Bovendien onthullen onze ablatiestudies een onderscheidend kenmerk van Factorizers dat een aanzienlijke versnelling in inferentie voor een getraind Factorizer model mogelijk maakt, zonder dat extra stappen of significante nauwkeurigheidscompromissen nodig zijn.

In het laatste deel stellen we een methode voor die gebruik maakt van lage-rang tensor netwerken om CNN's te verbeteren voor hersentumor segmentatie. Gezien het feit dat veel effectieve 3D CNN's gevoelig zijn voor overfitting vanwege hun complexiteit en beperkte trainingsgegevens, introduceren we een 3D U-Net-achtige architectuur geïntegreerd met restblokken. Door lage-rang beperkingen op te leggen aan de gewichten van de convolutionele laag, willen we overfitting vermijden. Deze aanpak maakt de creatie van netwerken met aanzienlijk minder parameters mogelijk. We beoordelen de prestaties van onze methode op de BraTS 2020 challenge data.