Vis enkel innførsel

dc.contributor.advisorGoa, Pål Erik
dc.contributor.authorLysheim, Eivind
dc.date.accessioned2021-10-08T17:21:53Z
dc.date.available2021-10-08T17:21:53Z
dc.date.issued2021
dc.identifierno.ntnu:inspera:81580153:20928336
dc.identifier.urihttps://hdl.handle.net/11250/2788832
dc.description.abstractFor å anskaffe informasjon vedrørende hjernestrukturer sentrale i diagnosistisering av Parkinsons sykdom og Amyotrofisk lateralsklerose ufører man gjerne manuelle segmenteringer av de interessante regionene (ROIs). Dette er en jobb som både er tidkrevende og vanskelig. En automatisering av denne prosessen ved bruk av CNNs (Convolutional Neural Networks) kan både spare legen for timer med arbeid, men også forbedre kvaliteten på segmenteringene, og dermed forbedre diagnostisering. 40 Quantitative Susceptibilty Mapping (QSM) bilder med manuelle segmenteringer av Red Nucleus (RN), Substantia Nigra (SN) og Subthalamic Nucleus (STN) ble donert av en svensk forskningsgruppe. I tillegg ble 15 frivillige skannet på en 3T og 7T skanner lokalt på St.Olavs sykehus. QSM-bildene ble rekonstruert ved bruk rekonstruksjonsalgoritmen total generalised variation. RN, SN, STN, Cerebrospinal Fluid, Primary Motor Cortex (PMC) og Primary Somatosensory Cortex (PSSC) ble alle manuelt segmentert på 7T QSM-bildene. Intra-subjekt co-registrering ble utført mellom de norske 7T og 3T bildene, og RN, SN og STN-maskene ble transformert fra 7T bildene til deres korresponderende 3T bilde. CNNs trent på alle tre datasettene opnådde en gjennomsnittelig Dice Score (DS) på minimum 0.77, ved segmentering av STN, men maksimum gjennomsnittlig oppnådd DS var 0.94, ved segmentering av RN. CNNs trent på 7T datasettet ga i snitt de beste resultatene med høyest DS, i tillegg til å ha de laveste avvikene med 0.94 $\pm$ 0.01, 0.90 $\pm$ 0.01 og 0.89 $\pm$ 0.02 for RN, SN og STN, respektivt. PSSC ble segmentert med en DS på 0.80 $\pm$ 0.03, og understrukturene til PMC ble segmenert med en DS på 0.86 $\pm$ 0.02, 0.86 $\pm$ 0.04 and 0.86 $\pm$ 0.02 for Arm, Face og Omega, respektivt. De predikerte suseptibilitetsverdiene oppnådd på det svenske 3T og det norske 7T datasettet ga de minste gjennomsnittlige absolutt prosentvis avvik (MAPE), mindre enn 5\% for RN, SN og STN da de ble sammenlignet med faktiske verdier. CNNs trent på det svenske datasettet ga mest nøyaktige verdier for RN og SN, mens CNN trent på 7T ga mest nøyaktige verdier for STN. For det resterende datasettet så varierte MAPE mellom ca. 26\% og 44\%. Intra-subjekt skanning som sammenlignet datasettene fra St.Olavs avslørte sterkt varierende suseptibiltitetsverdier i korresponderende ROIs, med både store avvik og tilsynelatende ingen korrelasjon. Videre så kunne man se at inter-subjekt variasjonen i suseptibilitetsverdiene for RN, SN og STN var meget stor. For alle datasettene så var segmenteringen av RN og SN bedre enn intra-rater variasjonen fullført av profesjonelle. For 7T dataene så gjaldt dette også for STN, PSSC og PMC. Dette indikerer at CNNs fra dette prosjektet trent på å segmentere PMC og PSSC har potensial til å bli brukt i videre forskning. Før de tas i bruk så anbefales det å trene dem på et mer variert datasett, med høyere snittalder. Det viste seg at det svenske 3T datasettet og 7T datasettet hadde de laveste MAPE. Ettersom at CNN trent på det norske 3T datasettet hadde veldig høy MAPE, så kan dette forklares med at den manuelle segmneteringen ikke var vellykket. Dette ble videre bevist da man ikke fant en sammenheng mellom suseptibilitesverdier ved intra-subjekt skanning for de norske 3T og 7T datasettene. Inter-subjekt variasjonene innad i RN og SN var så store at disse ikke kunne brukes som biomarkører i PD ved singel-skanning QSM-avbildning.
dc.description.abstractToday, extraction of information from brain structures critical in \gls{pd} and \gls{als} diagnosis is usually performed by manual segmentations of the regions of interest (ROIs), which is both time consuming and prone to errors. Automating this process using \glspl{cnn} could both save hours of specialised labour and improve quality of segmentations, which in turn aids the doctor in making a diagnosis. 40 \gls{qsm} images with segmentations of the \gls{rn}, \gls{sn} and \gls{stn} were donated by a Swedish research group. Additionally, 15 volunteers were scanned on a 3T and 7T scanner at St.Olavs hospital. The images were reconstructed from \gls{mgre} sequences using the total generalised variation reconstruction pipeline. \gls{rn}, \gls{sn}, \gls{stn}, Cerebrospinal Fluid, \gls{pmc} and \gls{pssc} were manually segmented on the 7T data. Intra-subject co-registration was performed to transform the 7T masks of \gls{rn}, \gls{sn} and \gls{stn} to their corresponding 3T image. \glspl{cnn} trained on all three datasets yielded \gls{ds} with a minimum average of 0.77, occurring for the STN, and a maximum average of 0.94, occurring for the RN. The CNNs trained on the 7T images achieved on average the best results, and had the smallest deviations, with a \gls{ds} of 0.94 $\pm$ 0.01, 0.90 $\pm$ 0.01 and 0.89 $\pm$ 0.02 for the RN, SN and STN, respectively. The \gls{pssc} was segmented with a \gls{ds} of 0.80 $\pm$ 0.03 and the substructures of the \gls{pmc} were segmented with a \gls{ds} of 0.86 $\pm$ 0.02, 0.86 $\pm$ 0.04 and 0.86 $\pm$ 0.02 for the Arm, Face and Omega, respectively. The predicted susceptibility values from the Swedish 3T datasets and the 7T dataset gave a \gls{mape} lower than 5\% for RN, SN og STN, when compared to the ground truth. The Swedish 3T CNNs were most accurate when predicting values for RN and SN, while the 7T CNNs predicted more accurate values for the STN. Meanwhile, for the last 3T dataset, the \gls{mape} varied between approximately 26\% and 44\%. For the intra-subject scanner comparison between the Norwegian 3T dataset and the 7T dataset, the different scanners yielded highly varying results, with both large deviations and very weak correlation between the measurements. Furthermore, the inter-subject variability in susceptibility values for all datasets were large. For all three datasets, automatic segmentation of the RN and SN yielded better results than the intra-rater variability of professionals, indicating higher consistency. In the case of the 7T data, this was true for \gls{stn}, \gls{pmc} and \gls{pssc} as well. The segmentation accuracy of PMC and PSSC showed potential to be used in further \gls{als} research. However, it is recommended that the CNNs are further trained on a dataset with larger variation in age. The \glspl{cnn} trained on the Swedish dataset and CNNs trained on the 7T dataset yielded on average the most accurate susceptibility values. It was found that the quality of the manual segmentations obtained on the Norwegian 3T dataset were not adequate, and could not to be used as ground truth, thus the \glspl{cnn} trained on this data yielded highly varying results. This was emphasised when there was found no correlation between intra-subject susceptibility values when comparing 3T and 7T susceptibility values. Inter-subject variation showed that using RN and SN as bio-markers for single-scan QSM imaging in \gls{pd} diagnosis was not feasible, as the natural variations in susceptibility values of RN and SN are too large.
dc.languageeng
dc.publisherNTNU
dc.titleAnalysis of Quantitative Susceptibility Mapping in Healthy Volunteers at 3T and 7T
dc.typeMaster thesis


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel