Image-based regression of disease biomarkers using deep learning models

DULAR, LARA (avtor), Špiclin, Žiga (mentor)

Medical imaging–derived biomarkers have emerged as a promising, noninvasive approach for characterizing disease-related structural and functional changes and for supporting diagnosis, prognosis, and patient monitoring. Brain age estimation from structural magnetic resonance imaging (MRI) is one such imaging biomarker for neurological health. The difference between predicted brain age and chronological age, known as the brain age gap (BAG), has been associated with several neurological and systemic diseases. However, the practical use of deep learning–based brain age prediction remains limited by inconsistent preprocessing pipelines, lack of standardized evaluation protocols, and reduced performance when models are applied to data from new scanners or populations. This thesis investigates image-based regression of disease biomarkers using deep learning models, with a primary focus on brain age estimation from T1-weighted MRI. The work addresses key methodological challenges through four main contributions. Frist, the thesis introduces the Brain Age Standardized Evaluation (BASE) framework, a unified protocol for benchmarking brain age models across multi-site, unseen-site, test–retest, and longitudinal datasets using a comprehensive set of performance metrics and statistical analyses. Using this framework, models trained on full-resolution 3D images were shown to outperform 2D slice-based approaches in both accuracy and consistency. Second, the impact of MRI preprocessing on prediction accuracy and generalization was systematically analyzed across multiple deep learning architectures. The results demonstrate that extensive preprocessing significantly improves prediction accuracy and cross-site generalization. Third, the thesis investigates strategies for improving model performance on small or domain-shifted datasets, demonstrating that techniques such as data augmentation, transfer learning, and bias correction can mitigate performance degradation caused by scanner differences and limited training data. Finally, the clinical relevance of brain age estimation is evaluated by analyzing BAG across cohorts with neurological and systemic diseases, including multiple sclerosis, Parkinson’s disease, mild cognitive impairment, Alzheimer’s dementia, and type II diabetes. The results show disease-specific increases in BAG and highlight differences in biomarker behavior across model architectures.

• Jezik: Angleški jezik
• Ključne besede: Brain age, Brain age gap, T1-weighted MRI, Imaging biomarkers, Deep learning, Deep regression, Evaluation protocol
• Vrsta gradiva: Doktorsko delo/naloga
• Tipologija: 2.08 - Doktorska disertacija
• Organizacija: FE - Fakulteta za elektrotehniko
• Leto izida: 2026
• PID: 20.500.12556/RUL-180824
• COBISS.SI-ID: 272994051
• Datum objave v RUL: 17.03.2026

Sekundarni jezik

• Jezik: Slovenski jezik
• Naslov: Regresija bioloških označevalcev bolezni iz slik z uporabo modelov globokega učenja

Izvleček

Biološki označevalci, pridobljeni z medicinskim slikanjem, so se izkazali kot obetaven, neinvaziven pristop za opredeljevanje z boleznijo povezanih strukturnih in funkcionalnih sprememb, kot tudi za podporo diagnostiki, prognozi in spremljanju pacientov. Ocena možganske starosti na podlagi strukturne magnetne resonance (MRI) je eden takih bioloških označevalcev nevrološkega zdravja. Razlika med napovedano možgansko starostjo in kronološko starostjo, imenovana možganska starostna vrzel (BAG), je povezana z več nevrološkimi in sistemskimi boleznimi. Vendar pa je praktična uporaba napovedi možganske starosti še vedno omejena zaradi nekonsistentnih postopkov predobdelave, pomanjkanja standardiziranih protokolov ocenjevanja in zmanjšane zmogljivosti, ko modele uporabimo na podatkih iz novih skenerjev ali populacij. Ta disertacija raziskuje regresijo bioloških označevalcev bolezni iz slik z uporabo modelov globokega učenja, s poudarkom na oceni možganske starosti iz T1-uteženih MR slik. Delo obravnava ključne metodološke izzive s štirimi glavnimi prispevki. Prvič, disertacija uvaja standardizirani protokol za ocenjevanje možganske starosti (BASE) za primerjavo modelov možganske starosti na večcentričnih podatkovnih množicah, množicah ponovnega testiranja, novih lokacijah in longitudinalnih podatkovnih množicah, z uporabo obsežnega nabora mer uspešnosti in statistično analizo. Dokazali smo, da modeli, trenirani na 3D slikah polne ločljivosti, presegajo modele naučene na 2D rezinah v točnosti in konsistentnosti. Drugič, sistematično smo analizirali vpliv postopkov predobdelave MR slik na točnost napovedi in generalizacijo za več arhitektur globokega učenja. Rezultati kažejo, da napredna predobdelava znatno izboljša točnost napovedi in generalizacijo med različnimi lokacijami. Tretjič, v disertaciji smo preučili strategije za izboljšanje zmogljivosti modelov na majhnih ali domensko spremenjenih podatkovnih množicah in pokazali, da lahko tehnike bogatenja podatkov, prenos znanja in popravek pristranskosti, zmanjšajo izgubo zmogljivosti, ki jo povzročajo razlike med skenerji in omejena količina učnih podatkov. Nazadnje smo ocenili klinično relevantnost ocene možganske starosti prek analize BAG na kohortah z nevrološkimi in sistemskimi boleznimi, vključno z multiplo sklerozo, Parkinsonovo boleznijo, blago kognitivno motnjo, Alzheimerjevo demenco in sladkorno boleznijo tipa II. Rezultati kažejo specifično povečanje BAG za posamezne bolezni in kažejo razlike v obnašanju možganske starosti za različne arhitekture modelov.

• Ključne besede: Možganska starost, Možganska starostna vrzel, T1-uteženo MR slikanje, slikovni biološki označevalci, globoko učenje, globoka regresija, evalvacijski protokol