Exportação concluída — 

Segmentação cerebelar automatizada e otimizada utilizando deep learning

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Shiraishi, Diogo Hideki, 1993-
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: [s.n.]
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Espectroscopia de ressonância magnética nuclear
Aprendizado profundo
Cerebelo
Ataxia espinocerebelares
Ataxia de Friedreich
Cerebellum
Magnetic resonance imaging
Deep learning
Spinocerebellar ataxias
Friedreich’s ataxia
Link de acesso: https://hdl.handle.net/20.500.12733/22893
Resumo: Orientador: Thiago Junqueira Ribeiro de Rezende
id UNICAMP-30_a537d3ad1a1f879daaab800ebf3e5c2f
oai_identifier_str oai::1407589
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Segmentação cerebelar automatizada e otimizada utilizando deep learningAutomated and optimized cerebellar segmentation using deep learningEspectroscopia de ressonância magnética nuclearAprendizado profundoCerebeloAtaxia espinocerebelaresAtaxia de FriedreichCerebellumMagnetic resonance imagingDeep learningSpinocerebellar ataxiasFriedreich’s ataxiaOrientador: Thiago Junqueira Ribeiro de RezendeDissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Ciências MédicasResumo: A segmentação do cerebelo e do núcleo denteado (do inglês, dentate nucleus, DN) em imagens de ressonância magnética (do inglês, magnetic resonance imaging, MRI) é desafiadora devido às suas estruturas complexas e à proximidade com as regiões cerebrais adjacentes. O córtex cerebelar apresenta dobras intrincadas, e o DN baixa relação contraste-ruído por ser uma pequena estrutura localizada internamente na substância branca do cerebelo. As ferramentas tradicionais apresentam desempenho satisfatório em imagens de indivíduos saudáveis, mas menor performance quando aplicadas em imagens provenientes de indivíduos com lesão cerebelar. A fim de aumentar a generalização e acurácia das segmentações automatizadas das estruturas cerebelares, propomos implementar um modelo de aprendizado profundo para segmentação do córtex cerebelar em imagens ponderadas em T1 (do inglês, T1-weighted, T1w) e do DN em imagens de mapeamento quantitativo de suscetibilidade magnética (do inglês, quantitative susceptibility mapping, QSM), tanto em indivíduos saudáveis quanto em pacientes que apresentam dano cerebelar. Para a segmentação do cerebelo, utilizamos sequências T1w, incluindo imagens de controles saudáveis e pacientes com ataxia espinocerebelar (do inglês, spinocerebellar ataxia, SCA) tipos 1 e 3 e ataxia de Friedreich (FRDA). Neurorradiologistas experientes criaram anotações das imagens (máscaras de segmentação), garantindo a identificação de qualidade das fissuras cerebelares. Treinamos uma arquitetura U-Net 3D modificada e o desempenho foi comparado com os resultados dos modelos ACAPULCO e CERES. Para a segmentação do DN, analisamos imagens QSM de 132 controles saudáveis e 170 pacientes com ataxia cerebelar ou esclerose múltipla de nove conjuntos de dados. A segmentação manual do DN (hilus da substância branca e cinzenta) por anotadores experientes forneceu as máscaras de referência, aliado a um processo robusto de controle de qualidade. Uma abordagem para segmentação automatizada de dois passos foi implementada com aprendizado profundo, composta por um modelo de localização seguido de segmentação do DN. Nosso modelo de segmentação do cerebelo atingiu uma métrica Dice de 0,928±0,030 no conjunto de teste e superou o ACAPULCO (Dice: 0,909±0,043) e o CERES (Dice: 0,918±0,039). Em pacientes com maior nível de dano cerebelar, essa diferença se manteve (Dice do modelo: 0,924±0,033, ACAPULCO: 0,904±0,047, CERES: 0,917±0,044). Diferenças volumétricas significativas foram encontradas entre o modelo proposto e o ACAPULCO e o CERES para controles, FRDA e pacientes com SCA3 (p<0,01). O protocolo de segmentação manual do DN produziu máscaras padrão-ouro com alta concordância intra-avaliador (ICC médio: 0,906) e inter-avaliador (ICC médio: 0,776). O pipeline de localização e segmentação em dois passos atingiu um Dice de 0,898±0,031 e 0,894±0,036 para o DN esquerdo e direito, respectivamente. Em validação externa, nosso algoritmo superou a principal ferramenta automatizada, MRICloud (Dice para DN esquerdo/direito: 0,863±0,038/0,843±0,066 vs. 0,568±0,222/0,582±0,239). O modelo demonstrou excelente capacidade de generalização em conjuntos de dados não vistos em treinamento e correlação significativa com anotações manuais. Os resultados iniciais mostraram precisão e confiabilidade promissoras na segmentação do cerebelo em imagens T1w. Continuamos nossos esforços para obter mais segmentações cerebelares de qualidade em conjuntos diversificados de imagens para retomar o treinamento do modelo. Além disso, fornecemos um modelo que segmenta com precisão o DN de imagens cerebrais QSM, que pode ser prontamente implementado. Essas ferramentas podem melhorar a busca por biomarcadores e a avaliação de terapias para doenças neurodegenerativas, fornecendo metodologias robustas para estudos observacionais e de história naturalAbstract: The segmentation of the cerebellum and dentate nucleus (DN) in magnetic resonance imaging (MRI) presents unique challenges due to their complex structures and proximity to surrounding brain regions. The cerebellar cortex is intricately folded, and the DN has a low contrast-to-noise ratio as a consequence of being a small structure buried deep within the surrounding white matter. Traditional tools perform well on healthy controls but show lower performance when applied to images from individuals with cerebellar lesions. To improve the generalization and accuracy of automated segmentations of cerebellar structures, we propose implementing a deep learning model for the cerebellar cortex segmentation in T1-weighted (T1w) images and the DN in quantitative susceptibility mapping (QSM) images, for both healthy individuals and patients with cerebellar damage. For cerebellum segmentation, we used T1w sequences, including images from healthy controls and patients with spinocerebellar ataxia (SCA) 1 and 3 and Friedreich’s ataxia (FRDA). Expert neuroradiologists manually annotated segmentation masks, ensuring quality identification of cerebellar fissures. We trained a modified 3D U-Net architecture and performance was compared with ACAPULCO and CERES model results. For DN segmentation, we analyzed QSM images from 132 healthy controls and 170 patients with cerebellar ataxia or multiple sclerosis across nine datasets worldwide. Manual delineation of the DN (gray matter and white matter hilus) by experienced raters provided the ground truth data with a robust quality control process. A two-step approach for automated segmentation was implemented, composed of a localization model followed by DN segmentation. Our cerebellum segmentation model achieved a Dice score of 0.928±0.030 on the test set and outperformed ACAPULCO (Dice: 0.909±0.043) and CERES (Dice: 0.918±0.039). This difference is sustained in patients with the highest level of cerebellar damage (our model Dice: 0.924±0.033, ACAPULCO Dice: 0.904±0.047, CERES Dice: 0.917±0.044). Significant volumetric differences were found between our model and ACAPULCO and CERES for controls, FRDA, and SCA3 patients (p<0.01). The DN manual tracing protocol produced ground truth data with high intra-rater (average ICC 0.906) and inter-rater reliability (average ICC 0.776). The two-step localization plus segmentation pipeline achieved a Dice score of 0.898±0.031 and 0.894±0.036 for left and right DN, respectively. In external validation, our algorithm outperformed the leading automated tool, MRICloud (left/right DN Dice: 0.863±0.038/0.843±0.066 vs. 0.568±0.222/0.582±0.239, respectively). The model demonstrated superior generalizability across unseen datasets and showed significant correlation with manual annotations. Initial results showed promising accuracy and reliability in cerebellum segmentation in T1w images. We continue our effort to gather more expert cerebellar segmentations on a diverse dataset to resume the model training. Also, we provide a model that accurately segments the DN from brain QSM images and can be readily deployed. These tools can enhance biomarker discovery and therapeutic assessment in neurodegenerative disorders, providing robust methodologies for observational and natural history studiesAbertoMestradoNeurologiaMestre em Ciências[s.n.]Rezende, Thiago Junqueira Ribeiro de, 1988-Amaro Júnior, EdsonPaschoal, André MonteiroUniversidade Estadual de Campinas (UNICAMP). Faculdade de Ciências MédicasPrograma de Pós-Graduação em Ciências MédicasUNIVERSIDADE ESTADUAL DE CAMPINASShiraishi, Diogo Hideki, 1993-20242024-08-22T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (131 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/22893SHIRAISHI, Diogo Hideki. Segmentação cerebelar automatizada e otimizada utilizando deep learning. 2024. 1 recurso online (131 p.) Dissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Ciências Médicas, Campinas, SP. Disponível em: 20.500.12733/22893. Acesso em: 29 set. 2025.https://repositorio.unicamp.br/acervo/detalhe/1407589https://repositorio.unicamp.br/acervo/detalhe/1407589Cover: https://repositorio.unicamp.br/capa/capa?codigo=1407589Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2025-09-15T16:45:34Zoai::1407589Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2025-09-15T16:45:34Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Segmentação cerebelar automatizada e otimizada utilizando deep learning
Automated and optimized cerebellar segmentation using deep learning
title Segmentação cerebelar automatizada e otimizada utilizando deep learning
spellingShingle Segmentação cerebelar automatizada e otimizada utilizando deep learning
Shiraishi, Diogo Hideki, 1993-
Espectroscopia de ressonância magnética nuclear
Aprendizado profundo
Cerebelo
Ataxia espinocerebelares
Ataxia de Friedreich
Cerebellum
Magnetic resonance imaging
Deep learning
Spinocerebellar ataxias
Friedreich’s ataxia
title_short Segmentação cerebelar automatizada e otimizada utilizando deep learning
title_full Segmentação cerebelar automatizada e otimizada utilizando deep learning
title_fullStr Segmentação cerebelar automatizada e otimizada utilizando deep learning
title_full_unstemmed Segmentação cerebelar automatizada e otimizada utilizando deep learning
title_sort Segmentação cerebelar automatizada e otimizada utilizando deep learning
author Shiraishi, Diogo Hideki, 1993-
author_facet Shiraishi, Diogo Hideki, 1993-
author_role author
dc.contributor.none.fl_str_mv Rezende, Thiago Junqueira Ribeiro de, 1988-
Amaro Júnior, Edson
Paschoal, André Monteiro
Universidade Estadual de Campinas (UNICAMP). Faculdade de Ciências Médicas
Programa de Pós-Graduação em Ciências Médicas
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Shiraishi, Diogo Hideki, 1993-
dc.subject.por.fl_str_mv Espectroscopia de ressonância magnética nuclear
Aprendizado profundo
Cerebelo
Ataxia espinocerebelares
Ataxia de Friedreich
Cerebellum
Magnetic resonance imaging
Deep learning
Spinocerebellar ataxias
Friedreich’s ataxia
topic Espectroscopia de ressonância magnética nuclear
Aprendizado profundo
Cerebelo
Ataxia espinocerebelares
Ataxia de Friedreich
Cerebellum
Magnetic resonance imaging
Deep learning
Spinocerebellar ataxias
Friedreich’s ataxia
description Orientador: Thiago Junqueira Ribeiro de Rezende
publishDate 2024
dc.date.none.fl_str_mv 2024
2024-08-22T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/22893
SHIRAISHI, Diogo Hideki. Segmentação cerebelar automatizada e otimizada utilizando deep learning. 2024. 1 recurso online (131 p.) Dissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Ciências Médicas, Campinas, SP. Disponível em: 20.500.12733/22893. Acesso em: 29 set. 2025.
url https://hdl.handle.net/20.500.12733/22893
identifier_str_mv SHIRAISHI, Diogo Hideki. Segmentação cerebelar automatizada e otimizada utilizando deep learning. 2024. 1 recurso online (131 p.) Dissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Ciências Médicas, Campinas, SP. Disponível em: 20.500.12733/22893. Acesso em: 29 set. 2025.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1407589
https://repositorio.unicamp.br/acervo/detalhe/1407589
Cover: https://repositorio.unicamp.br/capa/capa?codigo=1407589
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (131 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1844628718876622848

Registros relacionados