Designing an unsupervised learning architecture to reconstruct brain magnetic resonance images

Abstract

Brain magnetic resonance imaging (MRI) is a well-known medical imaging modality used by physicians to diagnose neurological disorders. A professional with great knowledge in the field can analyze the obtained 3D volume to detect abnormalities. The main goal of this project is to design and develop a neural network model capable of reconstructing brain MRIs by using an unsupervised approach. In essence, it has to give as result the healthy version of the brain used as input. Therefore, the model has to learn the intrinsic patterns from the healthy brains in order to transfer them to the output. For that reason, T1-weighted images from the IXI Dataset have been used to train our models only with pathology-free images. To ensure the model was learning the desired patterns, not only copying the input directly into the output, the data has been corrupted by applying different types of noise and by masking-out regions. Motivated by the autoencoders simplicity, and with the intention of generating the resulting images with better quality, some experiments have been conducted using different loss functions and trying with different types of skipped connections. The use of both residual blocks and shortcuts to skip long connections has been the combination that has led to the best results.

La resonancia magnética cerebral (RM) es una modalidad de imaginología médica bien conocida utilizada por los médicos para diagnosticar trastornos neurológicos. Un profesional con gran conocimiento en la materia puede analizar el volumen 3D obtenido para detectar anomalías. El objetivo principal de este proyecto es diseñar y desarrollar un modelo de red neuronal capaz de reconstruir resonancias magnéticas cerebrales mediante un enfoque no supervisado. En esencia, tiene que dar como resultado la versión saludable del cerebro utilizada como entrada. Por lo tanto, el modelo tiene que aprender los patrones intrínsecos de los cerebros sanos para transferirlos a la salida. Por esa razón, las imágenes ponderadas en T1 del IXI Dataset se han utilizado para entrenar nuestros modelos solo con imágenes libres de patologías. Para asegurarse de que el modelo estaba aprendiendo los patrones deseados, no solo copiando la entrada directamente en la salida, los datos se corrompieron al aplicar diferentes tipos de ruido y enmascarar regiones. Motivados por la sencillez de los autocodificadores, y con la intención de generar las imágenes resultantes con mejor calidad, se han realizado algunos experimentos utilizando diferentes funciones de pérdida y probando con distintos tipos de conexiones saltadas. El uso de bloqueos residuales y atajos para omitir conexiones largas ha sido la combinación que ha dado lugar a los mejores resultados.

La ressonància magnètica cerebral (RM) és una coneguda modalitat d'imatge mèdica que utilitzen els metges per diagnosticar trastorns neurològics. Un professional amb un gran coneixement en la matèria pot analitzar el volum 3D obtingut per detectar anomalies. L'objectiu principal d'aquest projecte és dissenyar i desenvolupar un model de xarxa neuronal capaç de reconstruir les ressonàncies magnètiques cerebrals mitjançant un enfocament no supervisat. En essència, ha de donar com a resultat la versió sana del cervell que s'utilitza com a entrada. Per tant, el model ha d'aprendre els patrons intrínsecs dels cervells sans per transferir-los a la sortida. Per aquest motiu, les imatges ponderades en T1 del conjunt de dades IXI s'han utilitzat per entrenar els nostres models només amb imatges lliures de patologia. Per garantir que el model aprenia els patrons desitjats, no només copiant l'entrada directament a la sortida, les dades s'han corromput aplicant diferents tipus de soroll i enmascarant les regions. Motivats per la senzillesa dels codificadors automàtics i amb la intenció de generar les imatges resultants amb una millor qualitat, s'han dut a terme alguns experiments utilitzant diferents funcions de pèrdua i provant amb diferents tipus de connexions saltades. L'ús de blocs residuals i dreceres per saltar connexions llargues ha estat la combinació que ha donat els millors resultats.