Deep convolutional autoencoders for reconstructing magnetic resonance images of the healthy brain

Abstract

The analysis of brain magnetic resonance imaging (MRI) is critical for a proper diagnosis and treatment of neurological diseases. Improvements in this eld can lead to better health quality. Numerous branches can be still enhanced due to the nature of MRI recompilation: disease detection and segmentation, data augmentation, improvement in data collection, or image enhancement are some of them. For several years, many approaches have been taken to address this. Machine Learning and Deep Learning emerge as very popular approaches to solve problems. Several kinds of data mining solutions (supervised, unsupervised, dimension reduction, generative models, etc) and algorithms can be applied to the problem-solving of MRI. Besides, new emerging deep learning architectures for other kinds of image processing tasks can be helpful. New types of convolution, autoencoders or generative adversarial networks are some of them. Therefore, the purpose of this work is to apply one of these new techniques to T1 weighted brain MRI (T1WMRI). We will develop a Deep Convolutional Autoencoder, which can be used to help with some problems in neuroimaging. The input of the Autoencoder will be control T1WMRI and will aim to return the same image, with the problem that, inside its architecture, the image travels through a lower-dimensional space, so the reconstruction of the original image becomes more difficult. Thus, the Autoencoder represents a normative model. This normative model will define a distribution (or normal range) for the neuroanatomical variability for the illness absence. Once trained with these control images, we will discuss the potential application of the autoencoder like noise reducer or disease detector.

El análisis de las resonancias magnéticas cerebrales es fundamental para un diagnostico y tratamiento adecuados de las enfermedades neurológicas. Se pueden mejorar ámbitos del análisis debido a la naturaleza de la recopilación de resonancias: detección y segmentación de enfermedades, aumento de datos, mejora en la extracción o mejora de imágenes. El aprendizaje automático y el aprendizaje profundo surgen como nuevas alternativas populares para resolver estos problemas. Se pueden aplicar varios enfoques de minería de datos y algoritmos para la resolución de problemas relacionados con la neuroimagen (supervisados, no supervisados, reducción de dimensionalidad, modelos generativos, etc.). Además, las nuevas arquitecturas emergentes de aprendizaje profundo, desarrollados para otro tipo de tareas de imagen, pueden ser útiles. Algunas de ellas son nuevos tipos de convolución, autoencoders o redes generativas adversiales (GAN). Por lo tanto, el propósito de este trabajo es aplicar una de estas nuevas técnicas a resonancias cerebrales tipo T1. Desarrollaremos un Autoencoder convolucional profundo, que puede usarse para ayudar con algunos problemas de neuroimagen. La entrada del Autoencoder será el imágenes de control T1WMRI y tendría como objetivo devolver la misma imagen, con la problemática de que, dentro de su arquitectura, la imagen viaja por un espacio de menor dimensión, por lo que la reconstrucción de la imagen original se vuelve más difícil. El autoencoder representa un modelo normativo. Este modelo normativo defina una distribución (o rango normal) para la variabilidad neuroanatómica para la ausencia de enfermedad. Una vez entrenado con imágenes de control, discutiremos la aplicación potencial del Autoencoder como reductor de ruido o detector de enfermedades.

L'anàlisi de les ressonàncies magnètiques cerebrals és fonamental per a un diagnostico i tractament adequats de les malalties neurològiques. Es poden millorar àmbits de l'anàlisi a causa de la naturalesa de la recopilació de ressonàncies: detecció i segmentació de malalties, augment de dades, millora en l'extracció o millora d'imatges. L'aprenentatge automàtic i l'aprenentatge profund sorgeixen com a noves alternatives populars per a resoldre aquests problemes. Es poden aplicar diversos enfocaments de mineria de dades i algorismes per a la resolució de problemes relacionats amb la neuroimagen (supervisats, no supervisats, reducció de dimensionalitat, models generatius, etc.). A més, les noves arquitectures emergents d'aprenentatge profund, desenvolupats per a una altra mena de tasques d'imatge, poden ser útils. Algunes d'elles són nous tipus de convolució, autoencoders o xarxes generatives adversiales (GAN). Per tant, el propòsit d'aquest treball és aplicar una d'aquestes noves tècniques a ressonàncies cerebrals tipus T1. Desenvoluparem un Autoencoder convolucional profund, que pot usar-se per a ajudar amb alguns problemes de neuroimagen. L'entrada del Autoencoder serà l'imatges de control T1WMRI i tindria com a objectiu retornar la mateixa imatge, amb la problemàtica que, dins de la seva arquitectura, la imatge viatja per un espai de menor dimensió, per la qual cosa la reconstrucció de la imatge original es torna més difícil. El autoencoder representa un model normatiu. Aquest model normatiu defineixi una distribució (o rang normal) per a la variabilitat neuroanatómica per a l'absència de malaltia. Una vegada entrenat amb imatges de control, discutirem l'aplicació potencial del Autoencoder com a reductor de soroll o detector de malalties.