Uso de autoencoder para la segmentación y simulación de fibras cerebrales.

Abstract

El uso de neuroimágenes ha experimentado un gran avance en las últimas décadas, con una amplia variedad de técnicas e investigaciones que respaldan el estudio y diagnóstico de trastornos cerebrales en diversas enfermedades. Entre estas técnicas, las tractografías cerebrales, obtenidas mediante resonancia magnética por difusión, permiten visualizar en tres dimensiones las fibras cerebrales y estudiar la conectividad entre diferentes regiones del cerebro. Sin embargo, el procesamiento de las tractografías resulta desafiante debido a la alta dimensionalidad y complejidad de la información, ya que un conjunto de datos de tractografías puede presentar cientos de miles o incluso millones de fibras cerebrales con formas diversas. El Autoencoder es un modelo generativo de aprendizaje profundo (Deep Learning) que se entrena para reducir la dimensionalidad de los datos a un espacio latente y luego reconstruirlos a partir de este. Este tipo de modelo tiene diversas aplicaciones, y una de ellas es el procesamiento y optimización de problemas a través del espacio latente. En esta memoria de título, se propone entrenar un Autoencoder utilizando las tractografías de la base de datos ARCHI, que contiene 79 tractografías de adultos sanos, con el objetivo de segmentar fascículos y simular fibras cerebrales realistas utilizando el espacio latente. La segmentación de los fascículos se logró usando el algoritmo de Machine Learning llamado Radius Neighbor Classifier, el cual permite predecir la etiqueta de nueva información comparándola con la distancia radial de los datos de entrenamiento. El modelo se entrenó utilizando la información en el espacio latente de las fibras cerebrales de 5 tractografías segmentadas por medio del algoritmo [1]. La simulación de los fascículos se realizó mediante la selección de fibras semilla y la interpolación entre ellas en el espacio latente. Se emplearon técnicas de clustering para obtener centroides e interpolar las fibras con respecto a estos, variando así el radio de curvatura de los fascículos. Además, se usaron algoritmos de clustering para obtener distintos fascículos de los datos de tractografía para poder simularlos. Para llevar la simulación desde el espacio latente al formato original se usa el decoder del modelo. Los resultados mostraron que el algoritmo de segmentación propuesto obtiene, en promedio, una mayor cantidad de fibras por fascículo en comparación con el algoritmo de [1], mejorando la segmentación para 25 de 38 fascículos del atlas de los cuales se puede observar una mejora significativa para los fascículos talámicos, cingulados y arqueados. Si bien el modelo obtiene una menor cantidad de fibras para 13 de los 38 fascículos, se observa una mejora en la segmentación para algunos de estos, como los fascículos del cuerpo calloso, debido a que el modelo obtiene una menor cantidad de fibras atípica y ruidosas que no forman parte del grupo.

The use of neuroimaging has experienced significant advancements in recent decades, with a wide variety of techniques and research supporting the study and diagnosis of brain disorders in various diseases. Among these techniques, brain tractography obtained through diffusion magnetic resonance imaging allows for the visualization of brain fibers in three dimensions and the study of connectivity between different regions of the brain. However, processing tractography data is challenging due to the high dimensionality and complexity of the information, as a healthy individual can have hundreds of thousands or even millions of diverse-shaped brain fibers. An Autoencoder is a generative Deep learning model that is trained to reduce the dimensionality of data to a latent space and then reconstruct it from there. This type of model has various applications, and one of them is processing and optimizing problems through the latent space. In this thesis, the proposal is to train an Autoencoder using tractography data from the ARCHI database, which contains 79 tractography scans from healthy adults, with the aim of segmenting fascicles and simulating realistic brain fibers using the latent space. Segmentation of the fascicles was achieved using a machine learning algorithm called Radius Neighbor Classifier, which predicts the label of new information by comparing it with the radial distance of the training data. The model was trained using information from the latent space of the brain fibers of 5 segmented tractography scans through the algorithm [1]. Simulation of the fascicles was performed by selecting seed fibers and interpolating between them in the latent space. Clustering techniques were used to obtain centroids and interpolate the fibers with respect to these centroids, thus varying the curvature radius of the fascicles. Additionally, clustering algorithms were used to obtain different fascicles from the tractography data for simulation. The decoder of the model is used to bring the simulation from the latent space to the original format. The results showed that the proposed segmentation algorithm obtains, on average, a greater number of fibers per fascicle compared to the algorithm in [1], improving the segmentation for 25 out of 38 fascicles in the atlas. A significant improvement can be observed for thalamic, cingulate, and arcuate fascicles. Although the model yields a smaller number of fibers for 13 out of the 38 fascicles, an improvement in segmentation is observed for some of these, such as the fascicles of the corpus callosum. This is because the model obtains a smaller number of atypical and noisy fibers that are not part of the group.