Mètodes d'aprenentatge profund per a l'extracció de marcadors de neuroimatge

Aquesta tesi doctoral se centra en millorar l'extracció de marcadors de neuroimatge per al pronòstic i predicció de l'estat del pacient en patologies neurològiques com l'ictus isquèmic, la malaltia d'Alzheimer o l'esclerosi múltiple (EM). El nostre treball ha estat desenvolupat en dos dels marcadors de neuroimatge més rellevants per al diagnòstic i la predicció; la segmentació de lesions cerebrals i la quantificació longitudinal d'atròfia. La segmentació de lesions es utilitzada directament en ictus i en EM com a marcador del pronòstic. D'altra banda, la segmentació del teixit cerebral per a la quantificació de l'atròfia longitudinal es un marcador d'imatge pronòstic validat a la EM i la malaltia d'Alzheimer. Les mesures de l'atròfia longitudinal es poden fer servir per avaluar la velocitat de progressió de la malaltia i fins i tot podrien ajudar a predir l'inici de la malaltia d'Alzheimer anys abans de mostrar els primers símptomes. En pacients amb EM, també s'observa una taxa accelerada d'atròfia cerebral com a resultat de l'activitat de la malaltia i la seva mesura pot servir com a marcador pronòstic i també per avaluar la resposta als tractaments modificadors de la malaltia.
En aquesta tesi, primer abordem la segmentació de lesions cerebrals i proposem dos mètodes de deep learning basats en blocs per ictus isquèmic, un mètode 2D per a imatges de tomografia computaritzada i un 3D per a imatges de ressonància magnètica. Els mètodes proposats han demostrat estar a l'estat de l'art en termes de rendiment en dos coneguts conjunts de dades accessibles públicament en les edicions de 2015 i 2018 del repte internacional Ischemic Stroke Lesion Segmentation (ISLES).
Posteriorment, a les següents etapes de la tesi ens hem centrat en la segmentació de teixit cerebral per a l'anàlisi volumètric transversal i longitudinal. Hem proposat un sistema de deep learning no supervisat basat en blocs dissenyat per a una segmentació precisa del teixit cerebral que no requereix anotacions manuals per a l'entrenament. Tot i que l'efecte de les lesions s'ha estudiat àmpliament en els mètodes clàssics de segmentació del teixit cerebral, encara no s'ha avaluat dins dels mètodes més recents basats en deep learning. En aquest sentit, hem estudiat i avaluat l'error que introdueixen les lesions de matèria blanca (MB), típicament observades a les imatges de pacients amb EM, al nostre sistema de segmentació de teixits basat en deep learning no supervisat. També proposem un mètode per reduir l'error que aquestes lesions introdueixen a les mesures de volums de teixit cerebral.
Finalment, proposem un mètode basat en deep learning per a la quantificació de l'atròfia longitudinal. En el nostre mètode, la xarxa aprèn d'un mètode de segmentació de teixit com a referència mentre utilitza coneixement previ sobre les dades per corregir l'entrenament i evitar aprendre així dels seus errors i biaixos. Els resultats experimentals mostren que el nostre mètode redueix en gran mesura l'error a curt termini i millora la sensibilitat a les diferències entre pacients sans i amb malaltia d'Alzheimer en comparació amb el mètode de referència utilitzat per a entrenar.
En resum, en aquesta tesi doctoral hem desenvolupat mètodes per a l'extracció de diversos marcadors neurològics procedents de diferents modalitats d'imatge, obtenint informació valuosa per al seu ús en tasques de pronòstic i predicció en malalties neurològiques.