Applications of Artificial Intelligence in Quantitative Magnetic Resonance Imaging

Dominik Vilímek

Doctoral thesis

Abstract:

Metody kvantitativní magnetické rezonance poskytují měřitelné poznatky o vlastnostech tkání a jejich patofyziologických změnách, a proto nachází uplatnění v mnoha klinických oborech. Analýza těchto kvantitativních obrazů je však jak z časového, tak i implementačního pohledu velice náročná, a proto jsou tyto metody prozatím využívány zejména v rámci vědy a výzkumu. Pro řešení výzev spjatých s implementací kvantitativních metod magnetické rezonance (qMRI) do rutinní praxe se tato práce zaměřuje na pokročilou analýzu a využití přístupů umělé inteligence (AI). Primárním cílem této práce je automatizovaná extrakce kvantitativních parametrů z vybraných oblastí zájmu za účelem počítačem podporované diagnostiky. Ta by v budoucnu mohla napomoci vyhodnotit kvantitativní vlastnosti tkání při fyziologických nebo patofyziologických stavech a monitorovat progresi onemocnění. Sekundárním cílem práce je výzkum v oblasti zpracování medicínského obrazu, konkrétně předzpracování, segmentace a analýza qMRI obrazů bez využití prvků umělé inteligence. Úvod práce obsahuje rozsáhlé shrnutí kvantitativních metod magnetické rezonance a umělé inteligence pro zpracování medicínského obrazu a rešerši zaměřenou na dvě vybrané oblasti. První z oblastí zájmu této práce je využití kvantitativních metod a umělé inteligence v rámci kvantifikace tukové infiltrace u slinivky břišní, dále označeno jako Study I. V rámci této studie byl vytvořen unikátní dataset, kde je jako kvantitativní parametr výpočet tukové frakce prostřednictvím techniky Dixon a je provedena podrobná analýza tří vybraných architektur: U-Net, ResU-Net a nnU-Net. Druhá oblast je zaměřena na problematiku tendinopatie Achillovy šlachy a její kvantifikaci prostřednictvím T2* relaxačních časů, dále označeno jako Study II. V rámci této studie byla vytvořena jak softwarová aplikace umožňující manuální analýzu, tak i implementována konvoluční neuronová síť pro automatizaci kvantifikovatelných změn šlachy. Výsledky této práce poukazují na spolehlivé využití umělé inteligence usnadňující náročnou kvantitativní analýzu. Tím otevírá cesty nejen pro implementaci těchto potenciálních obrazových biomarkerů v klinické praxi, ale i snížení variability získaných výsledků. Práce tak reflektuje současný trend otevřené vědy (Open science).

Abstract:

Methods of quantitative magnetic resonance provide measurable insights into tissue properties and their pathophysiological changes, and therefore find applications in many clinical fields. However, the analysis of these quantitative images is extremely time consuming as well as difficult to implement, therefore these methods are currently used primarily by scientists and researchers. To address the challenges associated with implementing quantitative magnetic resonance imaging (qMRI) into routine practice, this work focuses on advanced analysis and the application of artificial intelligence (AI) approaches. A primary objective of this thesis is to automate the extraction of quantitative parameters from selected regions of interest in order to facilitate computer-aided diagnostics. In the future, this may help evaluate the quantitative properties of tissues in physiological and pathophysiological conditions, as well as monitor the progression of diseases. As a secondary goal, the thesis focuses on medical image processing, specifically the preprocessing, segmentation, and analysis of qMRI images without using artificial intelligence. The thesis introduction includes an extensive summary of quantitative magnetic resonance methods and artificial intelligence for medical image processing, and a literature review focused on two selected topics. The first topic of interest in this thesis is the use of quantitative methods and artificial intelligence to quantify fat infiltration in the pancreas (Study I). In this study, a unique dataset with a quantitative parameter of fat fraction utilizing the Dixon technique was created, and a detailed analysis of three selected architectures was performed: U-Net, ResU-Net, and nnU-Net. A second topic focuses on Achilles tendinopathy and its quantification through T2* relaxation times (Study II). A convolutional neural network was implemented in this study to automate quantifiable changes in the tendon as well as a software application that enabled manual analysis. The results of this work indicate the reliable use of artificial intelligence facilitating demanding quantitative analysis, paving the way for the implementation of these potential imaging biomarkers in clinical practice as well as for reducing variability. Thus, the work reflects the current trend of Open Science.

Keywords

Magnetická rezonance, kvantitativní magnetická rezonance, relaxometrie, umělá inteligence, strojové učení, hluboké učení, klasifikace, segmentace, počítačově podporová diagnsotika, zpracování biomedicínských obrazových dat

Keywords

Magnetic resonance imaging, quantitative magnetic resonance imaging, relaxometry, artificial intelligence, machine learning, deep learning, classification, segmentation, computer-aided diagnosis, biomedical image data processing

Language used: English

Date on which the thesis was submitted / produced: 30. 4. 2024

Thesis defence

• Date of defence: 30. 5. 2024
• Supervisor: Radek Martinek
• Reader: Julie Dobrovolná, Lukáš Lambert, Ivan Zelinka

VSB – Technical University of Ostrava

Fakulta elektrotechniky a informatiky

Doctoral programme:
Kybernetika