Deep Learning for MRI data

Abstract

Cílem této práce je klasifikovat snímky mozku z magnetické rezonance pomocí mod- elů Hlubokého učení, konkrétně se jedná o Alzheimerovu chorobu na snímcích datasetu vytvořeném iniciativou Alzheimer's Disease Neuroimaging Initiative (ADNI). Pro přípravu datasetu jsme vyvinuli dva nástroje, které zarovnávají, normalizují a odebírají nerele- vantní části snímku. Takto připravené snímky jsme použili k vytvoření 2D a 3D datasetu. Navrhli jsme několik vlastních modelů postavených na tradičních konvolučních sítích a na již dříve publikovaných modelech. Naše experimenty nepotvrdily přesnost výsledků těchto recentních studií, neboť vykazovaly velký pokles v závislosti na rozdělení datasetu. Přes- nost trénovaných modelů totiž výrazně klesla, pokud byl dataset rozdělen podle pacientů, nikoliv podle snímků. Tato práce je přehledem několika dříve publikovaných modelů a také našich vlastních experimentů, které ukazují výsledky na datasetu rozdělených podle subjektů i podle snímků. Práce plynule navazuje a rozšiřuje závěry autorů [Fung et al., 2019]. 1

The aim of the thesis is the classification of magnetic resonance images by Deep Learning models. The goal was to predict Alzheimer's disease on the dataset created by Alzheimer's Disease Neuroimaging Initiative (ADNI). To prepare the dataset, we built two processing pipelines, which align, normalise and remove irrelevant features from brain scans. We used the processed scans for a 2D and 3D dataset. We designed a few models based on convolutional and previously proposed architectures. Although, many studies published astonishing results on ADNI classification, the results of our experiments do not support previous research in this area. Contrary to what was previously thought, we found that the accuracy strongly depends on the dataset splitting. If we split the dataset by patients, not by scans, the accuracy drops significantly. We presented an overview of several previously published architectures and our experiments showing results of these architectures on the datasets generated by random splitting or subject-based splitting. We also pointed out how the dataset splitting choice changes the performance of our models. The work is a natural extension of study [Fung et al., 2019]. 1