• Alzheimer
• Deep Learning
• Ippocampo
• Risonanza Magnetica
• Segmentazione

Questo lavoro mirava a sfruttare le strategie di Deep Learning per realizzare la segmentazione dell'ippocampo sulle immagini di risonanza magnetica del cervello, acquisite con diversi dispositivi. Il punto di partenza era un recente strumento di Deep Learning realizzato da un gruppo di ricerca all'università di Oxford, che doveva essere testato su nuovi set di dati e eventualmente ottimizzato per le immagini di interesse.
Il campione utilizzato per questo lavoro includeva immagini di soggetti appartenenti a 3 categorie con diverso grado di atrofia dell'ippocampo: abilità cognitive normali (CN), lieve deficit cognitivo (MCI) e malattia di Alzheimer (AD). Le acquisizioni sono avvenute in modo diverso: con la macchina Siemens di Oxford e con due dispositivi di Modena, Philips e GE. Le immagini Philips erano più vecchie e con una qualità inferiore rispetto a quelle GE, e al fine di valutare i cambiamenti dell'ippocampo dello stesso soggetto nel tempo, era necessario uno strumento in grado di produrre segmentazioni di buona qualità su entrambi i set. Il set di dati totale includeva 106 ippocampi sia per l'allenamento che per il test, più 60 ippocampi per il test. Le segmentazioni manuali sono state prodotte da me e da una dottoranda in neurologia, secondo l'Harmonized Hippocampal Protocol, che è il protocollo impiegato anche per l'allenamento precedente.
I parametri principali con cui sono state testate le mappe sono il coefficiente di Dice e l'errore percentuale sul volume dell'ippocampo.
I risultati del vecchio modello precedentemente allenato erano abbastanza buoni, ma non sempre soddisfacenti: 3 mappe non erano compatibili, con un Dice inferiore a 0,7 e 7 mostravano un errore percentuale di volume maggiore o uguale al 20\%. Uno di questi, proveniente da un soggetto di AD, è stato anche mal segmentato da noi, poiché le due mappe manuali non risultavano compatibili. Un'altra mappa non compatibile proveniva da un soggetto che aveva anche altre atrofie cerebrali.
Altri 4 modelli sono stati realizzati utilizzando il nuovo set di dati per l'allenamento e i parametri precedenti come inizializzazione. In particolare è stata anche applicata la tecnica del transfer learning, con l'obiettivo di mantenere parte delle conoscenze del modello precedente fissando alcuni pesi.
Il Deep Learning è stato eseguito utilizzando solo immagini Philips, solo immagini GE e tutti i set di dati, mentre tutto il set di dati è stato utilizzato anche per una semplice allenamento.
Il modello di maggior successo è stato quello con tutto il dataset applicando il transfer learning: tutte le mappe dei 60 ippocampi sono risultate compatibili con le segmentazioni manuali, incluso quello del soggetto con altre atrofie cerebrali. Il coefficiente di Dice minimo, escluso tale soggetto, era di 0,8 e l'errore percentuale massimo era di 10,8%. I risultati erano simili a quanto accaduto nel confronto delle mappe manuali, per cui non si possono ottenere ulteriori miglioramenti con questa strategia.
Un'altra utilità dello strumento era classificare l'ippocampo in CN, MCI e AD. Essa è stata inizialmente introdotta solo per aiutare l'algoritmo a segmentare. Pertanto, quando è stata testata, ha fallito la maggior parte delle volte. E' stato quindi costruito un nuovo modello, evitando la parte di segmentazione e lasciando solo la classificazione, con pesi allenati con un set di dati di 82 MCI, 64 AD e 58 ippocampi CN. I risultati sono stati migliori e anche alcuni dei falsi AD erano interessanti, poiché probabilmente erano dovuti ad altre atrofie cerebrali.
Pertanto l'algoritmo di classificazione non può essere utilizzato direttamente per la diagnosi, ma può comunque contenere informazioni utili.

This work aimed to exploit deep learning strategies to realize the segmentation of the hippocampus on magnetic resonance images of the brain, acquired with different devices. In particular the starting point was a recent deep learning tool realized by a research group in Oxford University, needed to be tested on new datasets and to be eventually optimized for the images of interest. The sample used for this work included images of subjects from 3 categories with different degree of hippocampal atrophy: cognitive normal (CN), mild cognitive impairment (MCI) and Alzheimer disease (AD). Moreover they were acquired differently: with the Siemens machine of Oxford and with two devices of Modena, Philips and GE. Philips images were older and with an inferior quality than the ones of GE, and in order to evaluate hippocampal changes of the same subject across time, a tool able to produce good quality segmentation on both sets was needed. The total dataset included 106 hippocampi for both training and testing plus 60 for testing. Manual segmentations were produced by me and a neurology PhD fellow, according to the Harmonized Hippocampal Protocol, which was also the one employed for previous training. The main parameters with which the maps were tested are Dice coefficient and percentage error in hippocampal volume. Results from the old model trained previously were quite good but not always satisfying: 3 maps were absolutely non compatible, so with a Dice lower than 0.7, and 7 showed a percentage error in volume more or equal than 20%. One of them coming from an AD subject was also badly segmented by us, as the two manual maps neither resulted compatible. Another non compatible map was from a subject having also other brain atrophies. 4 more models were constructed with training using the new dataset and previous parameters as initialization. In particular transfer learning technique was also applied, with the aim of maintaining some of the knowledge of previous training by keeping fix some weights. Transfer learning was performed by using only Philips images, only GE images and all the dataset, while all the dataset was also used for simple training. The most successful model was the one with all the dataset with transfer learning applied: all the maps of 60 hippocampi resulted compatible with manual segmentations, included the one from the subject having other brain atrophies. The minimum Dice coefficient excluding that subject was of 0.8 and the maximum percentage error was of 10.8%. The results were similar to what happened in comparing manual maps, so they cannot be improved anymore with this strategy. Another utility of the tool was to classify the hippocampus in CN, MCI and AD. This task was initially introduced only to help the algorithm to segment. Therefore when it was tested it failed most times. A new model was therefore built by avoiding the segmentation part and leaving only the classification, with weights trained with a dataset of 82 MCI, 64 AD and 58 CN hippocampi. The results were better and also some of the false AD were interesting, as they were probably related to additional atrophies in the rest of the brain. Therefore the classification algorithm cannot be used directly for diagnosis, but maybe it can however contain useful information.