Deep brain unsupervised anomaly detection model based on multimodality medical imaging
Modèle de détection d'anomalies cérébrales profondes non supervisé basé sur l'imagerie médicale multimodale
Résumé
According to the World Health Organization (WHO), nearly 65 million people worldwide are affected by epilepsy. Epilepsy is a chronic neurological disorder characterized predominantly by recurrent and unpredictable interruptions of normal brain function, called epileptic seizures. For a third of diagnosed patients seizures cannot be controlled by pharmacotherapy. For such patients, a treatment would be to perform surgical resection of the epileptogenic zone. The success of such surgeries largely depends on the accuracy of the epileptogenic zone localization. Neuroimaging, including magnetic resonance imaging (MRI) and positron emission tomography (PET), has been increasingly considered in the pre-surgical examination routine. This work attempts to enhance a computer-aided diagnosis (CAD) system for epileptogenic lesion detection, leveraging multimodal neuroimaging data, building upon the foundation laid in previous work by \cite{alaverdyan2020regularized}. The proposed system employs unsupervised deep siamese networks for learning normal brain representations from non-pathological scans, followed by a series of one-class SVM models at the voxel level to generate an anomaly score map. The model, initially tested on T1-weighted and FLAIR MRI exams, demonstrated a sensitivity of 61\%. The inclusion of PET imaging data is explored to assess its additional value. However, due to the ethical considerations surrounding radiation exposure in healthy individuals, the development and integration of synthetic PET data, simulating healthy brain scans, emerges as a potential solution. This thesis makes contributions by: (1) developing strategies for generating synthetic PET images from T1 MRI scans, demonstrating their utility in augmenting original PET data to enhance the detection capabilities of the CAD system; (2) investigating the use of synthetic PET images as substitutes for real PET data in scenarios of incomplete training sets, showing that synthetic PET significantly addresses the missing modality challenge; and (3) identifying the optimal strategy for integrating multiple imaging modalities within the detection model, with late fusion of T1, FLAIR, and PET (both real and synthetic) showing to be the most effective in terms of detection ability of epileptogenic zones. Structured into two main parts, the thesis first reviews recent deep learning advancements in medical imaging, particularly in brain image analysis, existing fusion strategies in medical imaging, methods to tackle missing data challenges including synthetic image generation, and CAD systems for brain pathology and epilepsy detection. The second part focuses on experiments for PET synthesis from T1 MRI images, the application of out-of-distribution (OOD) techniques to validate the similarity of synthetic to real images, and the detailed experimental results showcasing the improved performance of the epilepsy CAD model with the integration of synthetic PET data.
Selon l'Organisation mondiale de la santé (OMS), près de 65 millions de personnes dans le monde sont touchées par l'épilepsie. L'épilepsie est un trouble neurologique chronique caractérisé principalement par des interruptions récurrentes et imprévisibles du fonctionnement normal du cerveau, appelées crises d'épilepsie. Pour un tiers des patients diagnostiqués, les crises ne peuvent être contrôlées par la pharmacothérapie. Pour ces patients, le traitement consisterait à effectuer une résection chirurgicale de la zone épileptogène. Le succès de ces opérations dépend en grande partie de la précision de la localisation de la zone épileptogène. La neuro-imagerie, y compris l'imagerie par résonance magnétique (IRM) et la tomographie par émission de positons (TEP), est de plus en plus souvent prise en compte dans les examens préchirurgicaux de routine. Ce travail tente d'améliorer un système d’aide au diagnostic (CAD) pour la détection des lésions épileptogènes, en s'appuyant sur des données de neuro-imagerie multimodales, en s'appuyant sur les bases posées dans des travaux antérieurs. Le système proposé utilise des réseaux siamois profonds non supervisés pour apprendre les représentations normales du cerveau à partir de scanners non pathologiques, suivis d'une série de modèles SVM à une classe au niveau du voxel pour générer une carte de score d'anomalie. Le modèle, initialement testé sur des examens IRM pondérés en T1 et FLAIR, a démontré une sensibilité de 61%. L'inclusion de données d'imagerie TEP est envisagée pour évaluer sa valeur supplémentaire. Cependant, en raison des considérations éthiques entourant l'exposition aux radiations chez les individus sains, le développement et l'intégration de données PET synthétiques, simulant des scanners cérébraux sains, apparaît comme une solution potentielle. Ce travail ne fait pas seulement progresser le domaine de l'imagerie médicale dans la recherche sur l'épilepsie, mais offre également une feuille de route pour les études futures afin d'affiner et d'améliorer la détection et la localisation des lésions épileptogènes, ce qui pourrait conduire à de meilleurs résultats chirurgicaux et à de meilleurs soins pour les patients.
Mots clés
Medical Imaging
Unsupervised representation learning
Multimodal fusion
Siamese networks
Gans
Outlier detection
CAD - Computer aided diagnosis
Epilepsy lesion detection
Diagnosis aided
Multimodal neuroimaging
PET - Positron emission tomography
Deep Learning
Brain lesions
Gans
Détection des valeurs aberrantes
Détection assistée par ordinateur
Détection d'épilepsie
Aide au diagnostic
Neuroimagerie multimodales
Réseau siamois
Tomographie par émission de positons - TEP
Apprentissage Profond
Lésions cérébrales
Imagerie médicale
Apprentissage des représentations non supervisé
Image multimodales
Réseaux siamois
Domaines
Imagerie médicaleOrigine | Version validée par le jury (STAR) |
---|