Návrh a realizace softwaru pro automatizovanou analýzu mozkových aktivací z funkční magnetické rezonance pomocí umělé inteligence

Abstract

V rámci této práce bylo využito umělé inteligence, konkrétně konvolučních neuronových sítí, pro automatické zpracování aktivací snímků funkční magnetické rezonance. Funkční magnetická rezonance (fMRI) je moderní snímkovací metoda pro mapování šedé mozkové kůry. Během fMRI akvizice je dobrovolníkem, případně pacientem, prováděna určitá úloha, např. pohyb levé horní končetiny, během které je MR skenerem snímáno měnící se okysličení různých částí mozkové tkáně. Tyto aktivace ale vyžadují následné, časově náročné, zpracování. Toto zpracování je navíc zatíženo subjektivním faktorem. V rámci této práce je navrhnuta zcela nová metodologie pro tzv. prahování fMRI snímků, aby byla snížena časová náročnost celého zpracování a aby byl odstraněn subjektivní faktor zpracování. Pro automatické prahování byla zvolena U-Net architektura, k implementaci byl použit framework nnU-Net. Výsledná natrénovaná neuronová síť průměrně dosahuje DICE koeficientu v hodnotě 0,777. Pro kvantifikaci byly dále použity metriky Hausdorffovy vzdálenosti, přesnosti, senzitivity a relativní objemové chyby (RVE). Zmíněné hodnoty byly postupně 4,46 (mm); 0,755 (-); 0,684 (-) a 25,7 (%). Objektivně může být architektura použita ke kvalitnímu automatickému prahování různých funkčních dat.

In this work, artificial intelligence, specifically convolutional neural networks, are used to automatically threshold activations of functional magnetic resonance images. Functional magnetic resonance (fMRI) is a modern imaging method for mapping the gray matter of the cerebral cortex. During an fMRI acquisition, a volunteer or a patient, performs a specific task, e.g. movomenet of of the left upper limb, during which the changing oxygenation in different parts of the brain tissue is measured by the MRI scanner. However, these activations require subsequent, time-consuming, processing. This processing is furthermore burdened by subjective factors. In this work, an entirely new methology for so-called thresholding of fMRI images is proposed to reduce the time-consuming nature of overall processing and to remove the subjective processing factor. The U-Net architecture was chosen for automatic thresholding and the nnU-Net framework was used for implementation. The resulting trained neural network averages a DICE coefficient of 0,777. Furthermore, the Hausdorff distance, accuracy, sensitivity and relative volume error (RVE) metrics were used for quantification. The values mentioned were 4,46 (mm); 0,755 (-); 0,684 (-) and 25,7 (%), respectively. Objectively, the architecture can be used to automatically threshold different fMRI data.