Utilize este identificador para referenciar este registo:
https://hdl.handle.net/1822/70817
Título: | Deep and transfer learning approaches for glioblastoma patient survival prediction from pre-treatment MRI |
Outro(s) título(s): | Abordagens de deep e transfer learning para a previsão do tempo de vida em pacientes com glioblastoma utilizando imagens de RM pré-tratamento |
Autor(es): | Alão, Mariana Neves Ramalho Ferreira |
Orientador(es): | Silva, Carlos A. Reyes, Mauricio |
Palavras-chave: | CNN GBM Glioblastoma overall survival Pre-treatment MRI Transfer learning Glioblastoma multiforme Redes neuronais convolucionais Ressonância magnética pré-tratamento Tempo de sobrevida Transfer learning |
Data: | 2019 |
Resumo(s): | Glioblastoma Multiforme (GBM) is a harmful brain tumor with a median overall survival (OS) of only
fourteen months. Predicting the OS from pre-treatment Magnetic Resonance Imaging (MRI) is intrinsically
tricky not only due to the morphologic characteristics of the tumor but also due to the impact of the
treatment. In the last years, deep learning began to arouse the interest of the scientific community due
to the excellent performances achieved. In the medical imaging field, the convolutional neural networks
(CNN) are achieving better performances than the clinicians in several tasks.
This dissertation aims to develop a deep learning model for regression to directly predict the OS using
pre-treatment MRI scans from patients with glioblastoma. For this, three different approaches were used:
the transference of knowledge from a 2D and a 3D CNN and training from scratch on a 3D CNN. The
effects of inputting different MRI modalities with different preprocessing techniques, such as the region of
interest (ROI) and z-score normalizations, were studied. After a first selection of the top-ranked models
based on two distinct criteria, data augmentation was performed.
Throughout this work, the approaches were analyzed individually and then compared with each other
and with a state-of-the-art approach. Although it was not possible to conclude on the MRI modalities and
z-score normalization that benefits the most the OS prediction, a preference for a broader context while
training the model was evident. The importance maps from the 3D networks developed showed that the
regions considered most important by the network overlap with the ones where the tumor is more frequent.
The network with more potential for the OS prediction is the 3D CNN trained from scratch that used FLAIR
and tumor segmentation as input, ROI as all image and z-score normalization to all the image. In the end,
this model was not able to outperform the state of the art. O Glioblastoma Multiforme é um tumor cerebral nocivo com uma sobrevida mediana de apenas catorze semanas. Prever o tempo de sobrevida a partir de imagens de ressonância magnética é intrinsecamente difícil, não apenas devido às características morfológicas, mas também devido ao impacto dos tratamentos. Durante os últimos anos, o deep learning começou a despertar o interesse da comunidade científica devido às excelentes performances obtidas. Na área da imagem médica, as redes neuronais convolucionais estão a obter melhores performances que os médicos em diversas tarefas. Esta dissertação tem como objetivo desenvolver um modelo de regressão de deep learning para prever o tempo de sobrevida através de ressonâncias magnéticas pré-tratamento de pacientes com glioblastoma. Para tal, três diferentes abordagens foram utilizadas: a transferência de conhecimento de uma rede neuronal convolucional 2D e de outra 3D e ainda treinar do zero uma rede neuronal convolucional 3D. Os efeitos de introduzir na rede diferentes modalidade de ressonância magnética com diferentes préprocessamentos, tal como a região de interesse considerada ou a normalização padrão efetuada, foram estudados. Após uma primeira seleção dos modelos com melhores métricas baseada em dois critérios distintos foi efetuado o aumento artificial dos dados. Durante este trabalho, as diferentes abordagens foram analisadas individualmente e posteriormente comparadas entre si e com o estado da arte. Embora não seja possível concluir sobre modalidade de ressonância magnética e o tipo de normalização padrão que beneficiam a previsão do tempo de sobrevida, e preferência por um contexto visual mais abrangente foi evidente. Os mapas de importância relativos às redes neuronais 3D mostram que as regiões consideradas mais importantes pela rede coincidem com as que o tumor é mais frequente. A rede que revelou um maior potencial para prever o tempo de sobrevida é a rede neuronal convolutional 3D treinada do zero que utiliza a sequência FLAIR conjugada com a segmentação do tumor como entrada da rede, a região de interesse é toda a imagem e a normalização padrão é efetuada a toda a sequência. Por fim, este modelo não foi capaz de ultrapassar o estado da arte. |
Tipo: | Dissertação de mestrado |
Descrição: | Dissertação de mestrado integrado em Engenharia Biomédica (área de especialização em Eletrónica Médica) |
URI: | https://hdl.handle.net/1822/70817 |
Acesso: | Acesso aberto |
Aparece nas coleções: | BUM - Dissertações de Mestrado DEI - Dissertações de mestrado |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertação Mariana Neves Ramalho Ferreira Alão.pdf | 6,44 MB | Adobe PDF | Ver/Abrir |
Este trabalho está licenciado sob uma Licença Creative Commons