Loading...
Publication
Multiple sclerosis lesion segmentation in 2D T2-FLAIR brain magnetic resonance imaging
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 3.38 MB | Adobe PDF |
Advisor(s)
Abstract(s)
This study aims to address the gap in automatic segmentation of Multiple Sclerosis lesions within 2D T2-FLAIR magnetic resonance imaging. The project was developed using a small basis dataset available on the Mendeley website, consisting of original images and corresponding segmentations executed by professional radiologists and neurologists. Brain tissue extraction and data augmentation techniques were used to address the challenge posed by the lack of prior documentation, representing a significant advancement in preprocessing steps for this particular MRI modality. During the brain extraction procedure, FSL from Oxford University was employed, namely BET (brain extraction tool), which was originally created for T1 modality images. This required necessary additional preprocessing of image pixels to resemble T1 images, including contrast adjustment. To ensure that image augmentation is well performed on both original image and segmentation, the transformers package from the Python environment was used. The augmentation consisted of simple procedures such as rotations, flips and noise addition with Gaussian blur. The investigation has successfully developed and validated an automatic segmentation model for T2-FLAIR MRI images. The model achieved a remarkable Dice coefficient of almost 0.6 in a transformer architecture with 12 layers and attention heads, indicating substantial agreement with ground truth annotations. Despite using a relatively small dataset, the results demonstrate the feasibility of the approach in clinical settings. The performance is commendable for its initial scope. However, to improve the accuracy and generalizability of the model, further data enrichment is necessary. The success in extracting brain tissue and augmenting data, along with the encouraging segmentation outcomes, demonstrates the potential for more comprehensive studies. Future efforts should focus on expanding the dataset and refining the model to enhance the diagnostic and monitoring capabilities of Magnetic Resonance Imaging in Multiple Sclerosis management. This study presents a new approach to medical image processing and sets a fundamental precedent for future investigations into the automated segmentation of Multiple Sclerosis lesions in T2-FLAIR modality.
Este estudo tem como objetivo colmatar a lacuna na segmentação automática de lesões de Esclerose Múltipla em imagens de ressonância magnética (RM) 2D T2-FLAIR. O projeto foi desenvolvido usando um pequeno conjunto de dados de base disponível no site Mendeley, consistindo em imagens originais e segmentações correspondentes executadas por radiologistas e neurologistas profissionais. As técnicas de extração de tecido cerebral e de aumento de dados foram utilizadas para responder ao desafio colocado pela falta de documentação prévia, representando um avanço significativo nos passos de pré-processamento para esta modalidade particular de RM. Durante o procedimento de extração do cérebro, foi utilizada a FSL da Universidade de Oxford, nomeadamente a BET (ferramenta de extração do cérebro), que foi originalmente criada para imagens da modalidade T1. Isto exigiu um pré-processamento adicional dos pixéis da imagem para se assemelharem às imagens T1, incluindo o ajuste do contraste. Para garantir que o aumento da imagem é bem executado tanto na imagem original como na segmentação, foi utilizado a package transformers do ambiente Python. O aumento consistiu em procedimentos simples, como rotações, inversões e adição de ruído com desfocagem gaussiana. A investigação desenvolveu e validou com êxito um modelo de segmentação automática para imagens de RM T2-FLAIR. O modelo alcançou um coeficiente Dice notável de quase 0,6 numa arquitetura de transformador com 12 camadas e cabeças de atenção, indicando uma concordância substancial com as anotações da verdade terrestre. Apesar de utilizar um conjunto de dados relativamente pequeno, os resultados demonstram a viabilidade da abordagem em contextos clínicos. O desempenho é louvável para o seu âmbito inicial. No entanto, para melhorar a exatidão e a generalização do modelo, é necessário um maior enriquecimento dos dados. O sucesso na extração de tecido cerebral e no aumento de dados, juntamente com os resultados encorajadores da segmentação, demonstra o potencial para estudos mais abrangentes. Os esforços futuros devem centrar-se na expansão do conjunto de dados e no aperfeiçoamento do modelo para melhorar as capacidades de diagnóstico e monitorização da Ressonância Magnética na gestão da Esclerose Múltipla. Este estudo apresenta uma nova abordagem ao processamento de imagens médicas e estabelece um precedente fundamental para futuras investigações sobre a segmentação automática de lesões de Esclerose Múltipla na modalidade T2-FLAIR.
Este estudo tem como objetivo colmatar a lacuna na segmentação automática de lesões de Esclerose Múltipla em imagens de ressonância magnética (RM) 2D T2-FLAIR. O projeto foi desenvolvido usando um pequeno conjunto de dados de base disponível no site Mendeley, consistindo em imagens originais e segmentações correspondentes executadas por radiologistas e neurologistas profissionais. As técnicas de extração de tecido cerebral e de aumento de dados foram utilizadas para responder ao desafio colocado pela falta de documentação prévia, representando um avanço significativo nos passos de pré-processamento para esta modalidade particular de RM. Durante o procedimento de extração do cérebro, foi utilizada a FSL da Universidade de Oxford, nomeadamente a BET (ferramenta de extração do cérebro), que foi originalmente criada para imagens da modalidade T1. Isto exigiu um pré-processamento adicional dos pixéis da imagem para se assemelharem às imagens T1, incluindo o ajuste do contraste. Para garantir que o aumento da imagem é bem executado tanto na imagem original como na segmentação, foi utilizado a package transformers do ambiente Python. O aumento consistiu em procedimentos simples, como rotações, inversões e adição de ruído com desfocagem gaussiana. A investigação desenvolveu e validou com êxito um modelo de segmentação automática para imagens de RM T2-FLAIR. O modelo alcançou um coeficiente Dice notável de quase 0,6 numa arquitetura de transformador com 12 camadas e cabeças de atenção, indicando uma concordância substancial com as anotações da verdade terrestre. Apesar de utilizar um conjunto de dados relativamente pequeno, os resultados demonstram a viabilidade da abordagem em contextos clínicos. O desempenho é louvável para o seu âmbito inicial. No entanto, para melhorar a exatidão e a generalização do modelo, é necessário um maior enriquecimento dos dados. O sucesso na extração de tecido cerebral e no aumento de dados, juntamente com os resultados encorajadores da segmentação, demonstra o potencial para estudos mais abrangentes. Os esforços futuros devem centrar-se na expansão do conjunto de dados e no aperfeiçoamento do modelo para melhorar as capacidades de diagnóstico e monitorização da Ressonância Magnética na gestão da Esclerose Múltipla. Este estudo apresenta uma nova abordagem ao processamento de imagens médicas e estabelece um precedente fundamental para futuras investigações sobre a segmentação automática de lesões de Esclerose Múltipla na modalidade T2-FLAIR.
Description
Keywords
Multiple sclerosis MRI Automatic segmentation Machine learning Esclerose múltipla RM Segmentação automática Aprendizado de máquina
Citation
Publisher
CC License
Without CC licence