Deep learning methods for automated detection of new multiple sclerosis lesions in longitudinal magnetic resonance images

Abstract

This thesis is focused on developing novel and fully automated methods for the detection of new multiple sclerosis (MS) lesions in longitudinal brain magnetic resonance imaging (MRI). First, we proposed a fully automated logistic regression-based framework for the detection and segmentation of new T2-w lesions. The framework was based on intensity subtraction and deformation field (DF). Second, we proposed a fully convolutional neural network (FCNN) approach to detect new T2-w lesions in longitudinal brain MR images. The model was trained end-to-end and simultaneously learned both the DFs and the new T2-w lesions. Finally, we proposed a deep learning-based approach for MS lesion synthesis to improve the lesion detection and segmentation performance in both cross-sectional and longitudinal analysis

Esta tesis se centra en el desarrollo de métodos novedosos y totalmente automatizados para la detección de nuevas lesiones de esclerosis múltiple en la resonancia magnética longitudinal del cerebro. Primero, propusimos un marco totalmente automatizado basado en la regresión logística para la detección y segmentación de nuevas lesiones T2-w. El marco se basaba en la sustracción de intensidad y el campo de deformación (DF). En segundo lugar, propusimos un enfoque de red neuronal totalmente convolucional para detectar nuevas lesiones T2-w en imágenes de resonancia magnética del cerebro longitudinal. El modelo se entrenó de extremo a extremo y aprendió simultáneamente tanto los DF como las nuevas lesiones T2-w. Por último, propusimos un enfoque basado en el aprendizaje profundo para la síntesis de las lesiones de la EM, a fin de mejorar el rendimiento de la detección y la segmentación de las lesiones tanto en el análisis transversal como en el longitudinal