Doktorsvörn í rafmagns- og tölvuverkfræði - Hans Emil Atlason

Vörninni verður streymt

Doktorsefni: Hans Emil Atlason

Heiti ritgerðar: Sjálfvirk merking segulómmynda af heila með djúpum tauganetum - prófanir á heilahólfum og hvítavefsbreytingum (Deep learning for segmentation of brain MRI - validation on the ventricular system and white matter lesions)

Andmælendur:
Dr. Bennett Landman, prófessor og yfirmaður Center for Computational Imaging, Vanderbilt University Institute of Imaging Science, Vanderbilt University Medical Center, Bandaríkjunum

Dr. Pierre-Louis Bazin, vísindamaður við Integrative Model-based Cognitive Neuroscience research unit, University of Amsterdam, Hollandi og Max Planck Institute for Human Cognitive and Brain Sciences, Leipzig, Þýskalandi

Leiðbeinandi: Dr. Lotta María Ellingsen, dósent og varadeildarforseti Rafmagns- og tölvuverkfræðideildar Háskóla Íslands

Einnig í doktorsnefnd:
Dr. Vilmundur Guðnason, prófessor við Læknadeild Háskóla Íslands og forstöðulæknir Hjartaverndar
Dr. Magnús Örn Úlfarsson, prófessor og deildarforseti Rafmagns- og tölvuverkfræðideildar Háskóla Íslands

Doktorsvörn stýrir: Dr. Jakob Sigurðsson, dósent og staðgengill deildarforseta Rafmagns- og tölvuverkfræðideildar Háskóla Íslands

Ágrip

Segulómmyndir gera taugaröntgenlæknum kleift að líta inn í heila mannsins í leit að orsökum sjúkdóma. Túlkun myndanna í klíník er hins vegar að mestu leyti takmörkuð við huglægt mat eða grófa mælingu á stærð og umfangi heilasvæða og vefjaskemmda. Fjöldi sjálfvirkra aðferða hefur verið þróaður til að merkja mismunandi heilasvæði út frá segulómmyndum. Með sjálfvirkum merkingum fást mælingar á stærð, lögun og staðsetningu heilasvæða og vefjaskemmda. Slíkar mælingar gera rannsakendum kleift að framkvæma stórar samanburðarrannsóknir. Hefðbundnar merkingaraðferðir eru meðal annars byggðar á því að finna rúmfræðilega vörpun frá nokkrum handmerktum myndum yfir í þá mynd sem við höfum áhuga á að fá nýjar merkingar fyrir. Þessar aðferðir hafa gefist mjög vel til þess að yfirfæra merkingar á heilasvæðum og þær eru mikið notaðar í rannsóknum. Ókostir þeirra eru hins vegar að: 1) Þær eru mjög hægar (6+ klst að merkja eina mynd), 2) niðurstöður eru oft ónákvæmar þegar heilinn er mikið aflagaður svo sem vegna rýrnunar, 3) ekki er hægt að varpa staðsetningu vefjaskemmda frá einum einstaklingi til annars, þar sem staðsetning þeirra í heilanum getur verið breytileg.
Nákvæmustu og hröðustu aðferðir sem til eru í dag byggja á djúpum tauganetum. Tauganet geta lært hvaða fall sem er milli inntaks og úttaks ef næg þjálfunargögn eru fyrir hendi. Eftir þjálfun geta tauganetin greint myndir mjög hratt og nákvæmlega. Hins vegar er mjög dýrt og tímafrekt að útbúa næg þjálfunargögn fyrir tauganet. Oft virkar tauganet sem þjálfað er á einu gagnasafni ekki jafn vel á öðru gagnasafni þar sem öðruvísi púlsaraðir (þ.e. stillingar á segulómtækinu) eru notaðar við myndatöku. Því er til mikils að vinna við þróun tauganeta sem lágmarka þörf á handgerðum þjálfunarmyndum.
Þróaðar hafa verið nýstárlegar, sjálfvirkar aðferðir til að merkja heilahólf og hvítavefsbreytingar í heilanum, en þekkt er að stækkun heilahólfa og umfang hvítavefsbreytinga eru tengd heilahrörnunarsjúkdómum, m.a. Alzheimerssjúkdómi, æðaheilabilun og fullorðins-vatnshöfði. Aðferðin okkar kallast SegAE, en hún er fyrsta földunartauganetið (e. Convolutional Neural Network) sem þjálfað er á óstýrðan hátt (e. unsupervised) til þess að finna vefi og hvítavefsbreytingar í heila út frá segulómmyndum. Úttak SegAE eru myndir sem sýna hlutfall vefja og hvítavefsbreytinga í hverjum myndpunkti en að merkja hvítavefsbreytingar sjálfvirkt hefur hingað til reynst erfitt vandamál að leysa, m.a. vegna þess að stærð og staðsetning hvítavefsbreytinga er mjög breytileg milli einstaklinga og birtustig vefja er ekki staðlað í segulómmyndum. Auk þess notum við úttak SegAE til þess að búa til staðlaða mynd af heilanum óháð gerð og stillingum segulómtækja. Þetta er mikill kostur þar sem ein helsta áskorun læknisfræðilegrar myndgreiningar í dag er ósamræmi niðurstaðna á milli tækja. Þannig getum við tekið tauganet sem þjálfað er á handgerðum myndum úr einu gagnasafni og notað það á öðru þar sem inntakið í tauganetið eru staðlaðar myndir af þeim efnum sem orsaka birtuskil myndaraða í segulómun.
Aðferðirnar hafa verið prófaðar á mismunandi gagnasöfnum, þ.á m. Öldrunarrannsókn Hjartaverndar, sem inniheldur þúsundir heilamynda af einstaklingum með mikinn breytileika m.t.t. heilahólfa og hvítavefsbreytinga. Aðferðirnar hafa verið bornar saman við aðferðir í fremstu röð auk handmerktra mynda, sem merktar hafa verið af taugaröntgenlæknum. Niðurstöður okkar benda til þess að aðferðirnar séu afar nákvæmar og stöðugar gagnvart breytileika milli segulómtækja og breytileika í byggingu heilans og eru þær þar að auki hraðvirkari en fyrri aðferðir.

Um doktorsefnið

Hans Emil Atlason er fæddur 1991. Hann útskrifaðist með BS-gráðu í rafmagns- og tölvuverkfræði frá Háskóla Íslands árið 2014 og tveimur árum seinna með MSc-gráðu í heilbrigðisverkfræði frá tækniháskólanum Chalmers í Svíþjóð. Hann hóf doktorsnám við Háskóla Íslands árið 2017. Árið 2020 stofnaði hann Visk ehf., sem býður framleiðslufyrirtækjum upp á lausnir byggðar á tölvusjón.