Deep learning methods for extraction of neuroimage markers in the prognosis of brain pathologies

dc.contributor
Universitat de Girona. Departament d'Arquitectura i Tecnologia de Computadors
dc.contributor
Universitat de Girona. Institut de Recerca en Visió per Computador i Robòtica
dc.contributor.author
Clèrigues Garcia, Albert
dc.date.accessioned
2023-05-26T15:38:21Z
dc.date.available
2023-08-12T22:45:31Z
dc.date.issued
2023-02-13
dc.identifier.uri
http://hdl.handle.net/10803/688369
dc.description.abstract
This PhD thesis focuses on improving the extraction of neuroimage markers for the prognosis and outcome prediction of neurological pathologies such as ischemic stroke, Alzheimer’s disease (AD) and multiple sclerosis (MS). Our work has been developed on two of the most relevant neuroimage markers for diagnosis and prediction, brain lesion segmentation and longitudinal atrophy quantification. Brain lesion segmentation can be directly used in MS and ischemic stroke as a prognostic marker and can also be useful for other downstream segmentation tasks. In MS, disease activity produces very characteristic lesions which can help with diagnosis and prognosis of the pathology. In ischemic stroke, lesion segmentation can inform the treatment decision workflow by quantifying the amount of tissue that could be salvaged against the risks of surgical intervention. We also tackle in this PhD thesis the task of brain tissue segmentation for longitudinal atrophy quantification, a validated prognostic image marker in MS and AD. Measurements of longitudinal atrophy can be used to assess the rate of disease progression and might even help to predict AD onset years in advance. In MS patients, an accelerated rate of brain atrophy is also observed as a result of disease activity and is used as a prognostic marker and to evaluate the response of disease-modifying treatments
ca
dc.description.abstract
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 pot ser utilitzada directament en ictus i en EM com a marcador del pronòstic i també pot ser útil en posteriors tasques de segmentació. A l’EM, l’activitat de la malaltia produeix lesions molt característiques que poden informar el diagnòstic i el pronòstic de la patologia. A l’ictus isquèmic, la segmentació de la lesió pot assistir en la decisió del tractament mitjançant la quantificació del teixit que podria salvar-se front als riscos de la intervenció quirúrgica. També abordem en aquesta tesi doctoral la segmentació del teixit cerebral per a la quantificació de l’atròfia longitudinal, 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
ca
dc.format.extent
97 p.
ca
dc.language.iso
eng
ca
dc.publisher
Universitat de Girona
dc.rights.license
L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc/4.0/
ca
dc.rights.uri
http://creativecommons.org/licenses/by-nc/4.0/
*
dc.source
TDX (Tesis Doctorals en Xarxa)
dc.subject
Aprenentatge profund
ca
dc.subject
Aprendizaje profundo
ca
dc.subject
Deep learning
ca
dc.subject
Lesions cerebrals
ca
dc.subject
Lesiones cerebrales
ca
dc.subject
Brain lesions
ca
dc.subject
Atròfia cerebral
ca
dc.subject
Atrofia cerebral
ca
dc.subject
Cerebral atrophy
ca
dc.subject
Imatges per ressonància magnètica
ca
dc.subject
Imágenes por resonancia magnética
ca
dc.subject
Magnetic resonance imaging
ca
dc.subject
Ressonància magnètica cerebral
ca
dc.subject
Resonancia magnética cerebral
ca
dc.subject
Brain MRI
ca
dc.subject
Xarxes neuronals convolucionals
ca
dc.subject
Redes neuronales convolucionales
ca
dc.subject
Convolutional neural networks
ca
dc.subject
Segmentació de teixits
ca
dc.subject
Segmentación de tejidos
ca
dc.subject
Tissue segmentation
ca
dc.title
Deep learning methods for extraction of neuroimage markers in the prognosis of brain pathologies
ca
dc.type
info:eu-repo/semantics/doctoralThesis
dc.type
info:eu-repo/semantics/publishedVersion
dc.subject.udc
004
ca
dc.subject.udc
616.8
ca
dc.contributor.director
Lladó Bardera, Xavier
dc.contributor.director
Oliver i Malagelada, Arnau
dc.contributor.director
Valverde Valverde, Sergi
dc.rights.accessLevel
info:eu-repo/semantics/openAccess
dc.description.degree
Programa de Doctorat en Tecnologia


Documentos

tacg_20230213.pdf

15.73Mb PDF