Currently there are no established automatic methodology for identifying patients with language deficits with an AD vs. no-AD pathology. Neurologists presently diagnosis the patient population under a manual process that is time-consuming and expensive. Convolutional neural network has been widely used for the image processing in the medical field in the last years for tasks that were not possible to realize with the classical software. Research has shown that the CNN can be used in the medical field for various tasks like image denoising, segmentation and classification. In this study we build two CNN model: one for 3-D MRI brain denoising and one for 3-dimensional MRI brain classification to distinguish patients with language deficits with AD pathology versus no-AD pathology. We want to establish if it possible use this method also with a very small data set, made by 45 brain MRI patients for each group and 45 control subjects. In this context, a good classifier is defined as a model that can classify at least with the 70% of accuracy on data on which it is not trained on. Based on a review of the literature, there are various architecture and methods to implement efficient CNN model also with small dataset. Regarding the architecture we used the 3-dimensional version of the convolutional layer and of the other visual processing layer that is a new introduction in the field and show very good result on 3-dimensional images. The result with the best model created did not reach the 70% of accuracy instead the 62%. The all project has not to be consider a fail because the goal of the project was very difficult to reach for the small number of data but still we get closer and during our experiments we understood which are the best CNN architectures for image processing of 3-dimensional images.

Ad oggi non esiste ancora una metodologia automatizzata che permetta di identificare i pazienti con deficit linguistici con patologia AD o non-AD. I neurologi attualmente diagnosticano la malattia con un processo manuale che richiede tempo e denaro. Le Convolutional Neural Networks sono state ampiamente utilizzata negli ultimi anni per avanzate elaborazioni di immagini in campo medico, che non erano possibili con i classici software. Lo stato dell’arte dimostra che le CNN possono essere utilizzate in campo medico per vari processi di immagini come il denoising, la segmentazione e la classificazione. In questo studio costruiamo due modelli CNN: uno per il denoising di MRI del cervello e uno per la classificazione per distinguere i pazienti con deficit linguistici con patologia AD rispetto a patologia non-AD. Lo studio è anche finalizzato a stabilire se è possibile utilizzare questo metodo anche con un set di dati molto piccolo, composto da 45 pazienti con risonanza magnetica cerebrale per ciascun gruppo e 45 soggetti di controllo. In questo contesto, un buon classificatore è definito come un modello che può classificare almeno con il 70% di accuratezza sui dati sui quali non è stato addestrato. Sulla base di una revisione della letteratura, ci sono varie architetture e metodi per implementare un modello CNN efficiente anche con un piccolo set di dati. Per quanto riguarda l'architettura abbiamo usato la versione tridimensionale della classica convoluzione che mostra ottimi risultati sulle immagini tridimensionali. Il risultato con il miglior modello creato ha raggiunto il 63% di accuratezza.

3D CNN for classification of brain MRI

PASSA, MARCO
2018/2019

Abstract

Currently there are no established automatic methodology for identifying patients with language deficits with an AD vs. no-AD pathology. Neurologists presently diagnosis the patient population under a manual process that is time-consuming and expensive. Convolutional neural network has been widely used for the image processing in the medical field in the last years for tasks that were not possible to realize with the classical software. Research has shown that the CNN can be used in the medical field for various tasks like image denoising, segmentation and classification. In this study we build two CNN model: one for 3-D MRI brain denoising and one for 3-dimensional MRI brain classification to distinguish patients with language deficits with AD pathology versus no-AD pathology. We want to establish if it possible use this method also with a very small data set, made by 45 brain MRI patients for each group and 45 control subjects. In this context, a good classifier is defined as a model that can classify at least with the 70% of accuracy on data on which it is not trained on. Based on a review of the literature, there are various architecture and methods to implement efficient CNN model also with small dataset. Regarding the architecture we used the 3-dimensional version of the convolutional layer and of the other visual processing layer that is a new introduction in the field and show very good result on 3-dimensional images. The result with the best model created did not reach the 70% of accuracy instead the 62%. The all project has not to be consider a fail because the goal of the project was very difficult to reach for the small number of data but still we get closer and during our experiments we understood which are the best CNN architectures for image processing of 3-dimensional images.
ING - Scuola di Ingegneria Industriale e dell'Informazione
18-dic-2019
2018/2019
Ad oggi non esiste ancora una metodologia automatizzata che permetta di identificare i pazienti con deficit linguistici con patologia AD o non-AD. I neurologi attualmente diagnosticano la malattia con un processo manuale che richiede tempo e denaro. Le Convolutional Neural Networks sono state ampiamente utilizzata negli ultimi anni per avanzate elaborazioni di immagini in campo medico, che non erano possibili con i classici software. Lo stato dell’arte dimostra che le CNN possono essere utilizzate in campo medico per vari processi di immagini come il denoising, la segmentazione e la classificazione. In questo studio costruiamo due modelli CNN: uno per il denoising di MRI del cervello e uno per la classificazione per distinguere i pazienti con deficit linguistici con patologia AD rispetto a patologia non-AD. Lo studio è anche finalizzato a stabilire se è possibile utilizzare questo metodo anche con un set di dati molto piccolo, composto da 45 pazienti con risonanza magnetica cerebrale per ciascun gruppo e 45 soggetti di controllo. In questo contesto, un buon classificatore è definito come un modello che può classificare almeno con il 70% di accuratezza sui dati sui quali non è stato addestrato. Sulla base di una revisione della letteratura, ci sono varie architetture e metodi per implementare un modello CNN efficiente anche con un piccolo set di dati. Per quanto riguarda l'architettura abbiamo usato la versione tridimensionale della classica convoluzione che mostra ottimi risultati sulle immagini tridimensionali. Il risultato con il miglior modello creato ha raggiunto il 63% di accuratezza.
Tesi di laurea Magistrale
File allegati
File Dimensione Formato  
3D CNN for classification of brain MRI.pdf

accessibile in internet per tutti

Descrizione: Thesis text
Dimensione 2.9 MB
Formato Adobe PDF
2.9 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/151033