Analiza strukture možganskih živčnih prog za prognozo multiple skleroze

Šmid, Petra (avtor), Špiclin, Žiga (mentor), Dular, Lara (komentor)

Opis in motivacija problema: Multipla skleroza (MS) je ena najpogostejših kroničnih avtoimunskih bolezni, ki vpliva na osrednji živčni sistem. Kljub njeni razširjenosti mehanizmi napredovanja bolezni ostajajo slabo raziskani. V zadnjem času napredne tehnike zajemanja in obdelave MR slik, vključno z meritvami strukturne (ne)povezanosti iz difuzijskega MR slikanja, pridobivajo pomen pri napovedovanju bolezni. Te meritve zagotavljajo vpogled v mikrostrukturne in funkcionalne spremembe v možganih ter predstavljajo potencialne biomarkerje za napovedovanje poteka bolezni in oceno učinkov zdravljenja. Naloga je razdeljena na tri sklope. Prvi sklop se osredotoča na optimizacijo časovno zahtevnega orodja za izračun (ne)povezanosti možganskih živčnih prog z uporabo globokega učenja. Cilj je razviti model, ki bi na podlagi vhodnih podatkov o lezijah natančno napovedal metrike (ne)povezanosti, kar bi omogočilo njihovo vključitev v napovedne modele poteka bolezni. Drugi sklop primerja različne modele strojnega učenja in metode izbire značilnic za napovedovanje poteka MS. Cilj je razviti model s primerljivo natančnostjo glede na obstoječo literaturo in oceniti njegovo zmogljivost na raznolikih podatkih. Uspešen model bi lahko postal diagnostično orodje za izboljšanje zdravljenja. V tretjem sklopu ocenjujemo učinkovitost globokega modela iz prvega sklopa z uporabo najboljšega napovednega modela iz drugega sklopa. Primerjamo napovedno moč predvidenih metrik z originalnimi podatki, pridobljenimi z orodjem Lesion Quantification Toolkit (LQT). Metode: Modeliranje orodja LQT za izračun metrike odstotne nepovezanosti možganskih živčnih prog smo izvedli z globoko nevronsko mrežo, ki temelji na arhitekturi rezidualne nevronske mreže (ResNet, ang. Residual Network). Za analizo možnosti napovedovanja napredovanja bolezni MS iz izhoda orodja LQT smo uporabili več klasičnih metod strojnega učenja. Zasnova učenja in vrednotenja napovednih modelov je vključevala tri ključne korake: izbiro relevantnih značilnic, preslikavo prostora značilnic v prostor nižje dimenzije ter metodo razvrščanja. Podatki: Podatki, uporabljeni v magistrski nalogi, izvirajo iz podatkovne zbirke Artificial intelligence in predicting progression in multiple sclerosis study (AI ProMiS), ki je nastala v okviru študije napovedovanja napredovanja prizadetosti pri bolezni multiple skleroze iz magnetno resonančnih (MR) slik. Vsebuje 3D magnetnoresonančne (MR) slike bolnikov z MS ter njihove demografske in klinične podatke. Skupno zajema 1284 T1w in FLAIR MR slik, pridobljenih pri 486 bolnikih, od katerih je 71,3 % ženskega in 28,7 % moškega spola, s povprečno starostjo 39,7 ± 10,3 let. Končni nabor podatkov vključuje metapodatke o bolnikih, kot so starost, spol in vrednosti EDSS, ter pripadajoče izračune odstotne prekinjenosti posameznih možganskih živčnih prog iz anatomskega atlasa HCP-824, pridobljene z uporabo orodja LQT. Razmerje bolnikov s prihodnjim napredovanjem bolezni MS v primerjavi s tistimi brez napredovanja je v tej podatkovni množici 1:4. Rezultati: Pri modeliranju z globokim učenjem je povprečni čas izračuna prekinitve živčnih prog iz binarne maske lezij po učenju modela znašal 0,825 s, kar je bistveno hitreje od 112,5 s pri uporabi orodja LQT. Pri optimalnih hiperparametrih modela ResNet je bila povprečna napaka MAE_AVG 1,50 % na učni in 7,41 % na validacijski množici. Koeficient determinacije med dejanskimi podatki orodja LQT in modelom je dosegel R^2 = 0,75. Pri primerjavi različnih metod za izbiro optimalne podskupine značilnic se je kot najučinkovitejša izkazala metoda s korelacijskim filtrom, saj je v kombinaciji z vsemi štirimi razvrščevalnimi modeli dosegla najboljše rezultate. Najboljši izid je bil dosežen z uporabo korelacijskega filtra skupaj z metodo PCA in razvrščevalnikom po metodi podpornih vektorjev (SVC, ang. Support Vector Classifier), kjer so bile vrednosti metrik uspešnosti razvrščanja naslednje: AUC 0,78, točnost 0,71, občutljivost 0,78 in specifičnost 0,70. Zaključek: Rezultati eksperimentov, izvedenih v okviru te magistrske naloge, so kljub raznoliki zbirki MR slik, ki so bile pridobljene na petih različnih skenerjih iz štirih različnih zdravstvenih inštitucij, primerljivi z najboljšimi rezultati preteklih študij modeliranja z globokim učenjem ter napovedovanja napredovanja MS. Ti rezultati potrjujejo hipotezo, da je mogoče klasična orodja za izračun strukturne (ne)povezanosti možganov optimizirati z globokim učenjem ter da je možno napovedati prihodnje napredovanje bolezni MS na podlagi meritev, pridobljenih s temi orodji.

• Jezik: Slovenski jezik
• Ključne besede: Multipla skleroza, magnetno resonančno slikanje, strukturna povezanost možganov, globoke nevronske mreže, globoko učenje, strojno učenje, prihodnje napredovanje bolezni
• Vrsta gradiva: Magistrsko delo/naloga
• Tipologija: 2.09 - Magistrsko delo
• Organizacija: FE - Fakulteta za elektrotehniko
• Leto izida: 2025
• PID: 20.500.12556/RUL-167276
• COBISS.SI-ID: 233506563
• Datum objave v RUL: 12.02.2025

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Brain structural tract connectivity analysis for prognosis of multiple sclerosis

Izvleček

Problem motivation: Multiple sclerosis (MS) is one of the most common chronic autoimmune diseases affecting the central nervous system. Despite its prevalence, the mechanisms of disease progression remain poorly understood. Recently, advanced MR image acquisition and processing techniques, including measurements of structural (dis)connectivity from diffusion MR imaging, are gaining importance in disease prediction. These measurements provide insights into microstructural and functional changes in the brain and represent potential biomarkers for predicting disease course and assessing treatment effects. The thesis is divided into three parts. The first focuses on optimizing a time-consuming tool to compute brain tracts' disconnectivity using deep learning. The aim is to develop a model that accurately predicts disconnectivity metrics based on input lesion data, allowing their incorporation into predictive models of disease progression. The second section compares machine learning models and feature selection methods for MS prediction. The aim is to develop a model with comparable accuracy to the existing literature and to assess its performance on heterogeneous data. A successful model could become a diagnostic tool to improve treatment. In the third part, we evaluate the performance of the deep model from the first set using the best predictive model from the second set. We compare the predictive power of the predicted data with the original data computed using the Lesion Quantification Toolkit (LQT). Methods: We modeled the LQT tool to calculate a metric of the percentage disconnectivity of brain tracts using a deep neural network based on the ResNet (Residual Neural Network) architecture. We used several classical machine learning methods to analyze the potential of predicting MS disease progression from the LQT tool's output. The design of learning and evaluation of predictive models involved three key steps: selecting relevant features, mapping the feature space to a lower-dimensional feature space, and a classification method. Data: The data used in this thesis stems from the Artificial intelligence in predicting progression in multiple sclerosis study (AI ProMiS) database, which was created in the context of the study on predicting the progression of MS disease from magnetic resonance (MR) images. It contains 3D magnetic resonance (MR) images of MS patients and their demographic and clinical data. In total, it includes 1284 T1w and FLAIR MR images acquired in 486 patients, 71.3 % of whom are female and 28.7 % male, with a mean age of 39.7 ± 10.3 years. The final dataset includes patient metadata such as age, sex, and EDSS values, as well as the corresponding calculations of the structural disconnectivity percentage of individual brain tracts based on the HCP-824 anatomical atlas and obtained using the LQT tool. The ratio of patients with future MS disease progression to those without progression in this dataset is 1:4. Results: In deep learning modeling, the average time to compute the neuronal disconnectivity percentages from the binary lesion mask using the ResNet model was 0.825 s, significantly faster than 112.5 s using LQT. For the optimal hyperparameters of the ResNet model, the average error MAE_AVG was 1.50 % on the training set and 7.41 % on the validation set. The coefficient of determination between the actual LQT data and the model reached R^2 = 0.75. When comparing different methods for selecting the optimal feature subset, the correlation filter method proved to be the most efficient, as it achieved the best results when combined with all four classification models. The best result was obtained using the correlation filter with the PCA method and the Support Vector Classifier (SVC), where the classification performance metrics were AUC 0.78, accuracy 0.71, sensitivity 0.78, and specificity 0.70.

• Ključne besede: Multiple sclerosis, Magnetic Resonance Imaging, Structural Brain Connectivity, Deep Neural Networks, Deep Learning, Machine Learning, Predicting disease progression