A novel deep-learning based automatic tool for segmentation of white matter hyperintensities

White Matter Hyperintensities (WMHs) are small but widespread lesions within the white matter, prevalent in elderly subjects. WMHs tend to increase in size and number with age and they are found to be closely associated with the onset and progression of cognitive impairment, atrophy, cerebrovascular and neurodegenerative disorders, such as Alzheimer's Disease. However, these lesions can also be found in healthy aging subjects. For this reason and many others the link between WMHs and the occurrence of clinical factors has not yet been clarified. Mapping WMHs within the brain turns out to be a key step for more accurate quantification of clinical signs. This segmentation is done manually, but it is tedious and a time-consuming work. Moreover, it can only be done by neurologists and radiologists with extensive experience in their recognition. The present thesis work has at its core the development of an automated system for the segmentation of WMHs in a dataset of 28 FLAIR whole-brain images of healthy subjects between 56 and 84 years of age, scanned with 7 Tesla MRI. The process is based on the use of convolutional neural networks, through the use of the U-Net architecture, after applying a pre-processing pipeline to the FLAIR images of the brain and a manual mask. These images are subsequently decomposed into 2D images along the coronal plane and used in the training, validation and testing phase. Hyperparameters tuning is then applied to derive the optimal values to be used for the neural network. The automatic measurements obtained from the model were compared with the manual gold standard using the Sørensen-Dice score, with a value on the test set equal to 0.8204. The results obtained show that our model is capable of performing the automatic segmentation of WMH accurately, and with higher reliability than existing state-of-the-art software based on the use of FLAIR images alone, despite the small number of the dataset. One of the main reasons for this result is the use of 7T-MRI images, which allow a much clearer distinction of the lesion than 3T-MRI images.

Le iperintensità della sostanza bianca (White Matter Hyperintensities, WMHs) sono delle piccole ma diffuse lesioni all'interno della materia bianca, prevalenti in soggetti anziani e tendono ad aumentare di dimensioni e numero con l'età. Le WMHs risultano strettamente associate con la comparsa e l'evolversi del deterioramento cognitivo, atrofia, malattie cerebrovascolari e neurodegenerative, come l'Alzheimer. Tuttavia, queste lesioni sono riscontrabili anche in soggetti anziani sani, e per tale motivo il legame tra le WMHs e l'occorrenza di sintomi clinici non è ancora stata chiarita. La mappatura delle WMHs all'interno del cervello risulta essere uno step fondamentale per una quantificazione più accurata dei sintomi clinici. Questa segmentazione viene effettuata manualmente, ma risulta essere un lavoro noioso e dispendioso in termini di tempo. Inoltre può essere effettuata solo da neurologi e radiologi con una esperienza approfondita nel loro riconoscimento. Il presente lavoro di tesi vede al suo centro lo sviluppo di un sistema automatico per la segmentazione delle WMHs all'interno di un dataset di 28 immagini FLAIR del cervello intero di soggetti sani con età compresa tra i 56 e gli 84 anni, scannerizzati con MRI 7 Tesla. Il processo si basa sull'utilizzo di reti neurali convoluzionali, attraverso l'utilizzo dell'architettura U-Net, dopo aver applicato una pipeline di pre-processing alle immagini del dataset. Tali immagini sono successivamente scomposte in immagini 2D lungo il piano coronale e utilizzate nella fase di training, validation e test. Viene quindi applicato un tuning degli iperparametri per ricavare i valori ottimali da usare per la rete neurale. Le misure automatiche ottenute sono state confrontate con il gold standard manuale utilizzando l'indice di similarità di Sørensen-Dice, con un valore sul test pari a 0.8204. I risultati ottenuti dimostrano che il nostro modello è in grado di eseguire la segmentazione automatica delle WMH in modo accurato e con un'affidabilità superiore rispetto ai software applicabili individuati in letteratura, nonostante il numero ridotto del dataset. Uno dei motivi principale di questo risultato è l'utilizzo di immagini 7T-MRI, le quali permettono una distinzione della lesione molto più chiara rispetto alle immagini 3T-MRI.