Deep learning for atrophy quantification in brain magnetic resonance imaging

Abstract

The quantification of cerebral atrophy is fundamental in neuroinformatics since it permits diagnosing brain diseases, assessing their progression, and determining the effectiveness of novel treatments to counteract them. However, this is still an open and challenging problem since the performance

2/2

of traditional methods depends on imaging protocols and quality, data harmonisation errors, and brain abnormalities. In this doctoral thesis, we question whether deep learning methods can be used for better estimating cerebral atrophy from magnetic resonance images. Our work shows that deep learning can lead to a state-of-the-art performance in cross-sectional assessments and compete and surpass traditional longitudinal atrophy quantification methods. We believe that the proposed cross-sectional and longitudinal methods can be beneficial for the research and clinical community

La cuantificación de la atrofia cerebral es fundamental en la neuroinformática ya que permite diagnosticar enfermedades cerebrales, evaluar su progresión y determinar la eficacia de los nuevos tratamientos para contrarrestarlas. Sin embargo, éste sigue siendo un problema abierto y difícil, ya que el rendimiento de los métodos tradicionales depende de los protocolos y la calidad de las imágenes, los errores de armonización de los datos y las anomalías del cerebro. En esta tesis doctoral, cuestionamos si los métodos de aprendizaje profundo pueden ser utilizados para estimar mejor la atrofia cerebral a partir de imágenes de resonancia magnética. Nuestro trabajo muestra que el aprendizaje profundo puede conducir a un rendimiento de vanguardia en las evaluaciones transversales y competir y superar los métodos tradicionales de cuantificación de la atrofia longitudinal. Creemos que los métodos transversales y longitudinales propuestos pueden ser beneficiosos para la comunidad investigadora y clínica