Brain Magnetic Resonance Imaging Segmentation System in MS with Deep Neural Networks

Abstract

Multiple Sclerosis is a chronic, auto-immune disease, which refers to the central nervous system. All nerves are covered by a layer called myelin, which is responsible to protect those nerves and preserve their functionality. In case of Multiple Sclerosis, myelin seems to be damaged in way so, that nerves start to function in an unpredictable way. Multiple Sclerosis is a disease characterized by outbreaks. Each outbreak, may cause permanent and non-reversable damage in regard to patient's movement ability, vision and sensations, unless the appropriate medicine treatment is given in time. Here comes the significance of instant detection of presence or differentiation of Multiple Sclerosis, with an automatic Segmentation System using Deep Neural Networks. The dataset which was used, consists of 1838 MRI type T2 images, of 38 patients, with 2 timepoints each. For every MRI image, a corresponding mask exists that marks the appropriate lesions. By making use of the U-Net architecture and after applying a series of processing on training data, a Dice Similarity Coefficient of 0.70 was achieved.

Η Πολλαπλή Σκλήρυνση είναι μια χρόνια, αυτοάνοση νόσος, η οποία αφορά το κεντρικό νευρικό σύστημα. Τα νεύρα καλύπτονται από ένα στρώμα που ονομάζεται μυελίνη, η οποία είναι υπεύθυνη για την προστασία αυτών και τη διατήρηση της λειτουργικότητάς τους. Στην περίπτωση της Πολλαπλής Σκλήρυνσης, η μυελίνη παρουσιάζει φθορές, με αποτέλεσμα τα νεύρα να αρχίζουν να λειτουργούν με απρόβλεπτο τρόπο. Η Πολλαπλή Σκλήρυνση είναι μια νόσος που χαρακτηρίζεται από εξάρσεις και κάθε μία από τις εξάρσεις μπορεί να προκαλέσει μόνιμη και μη αναστρέψιμη βλάβη όσον αφορά την κινητική ικανότητα του ασθενούς, την όραση και τις αισθήσεις, εκτός εάν η κατάλληλη ιατρική θεραπεία χορηγηθεί έγκαιρα. Εδώ έγκειται η σημασία της άμεσης ανίχνευσης της παρουσίας ή της διαφοροποίησης της Πολλαπλής Σκλήρυνσης, με ένα αυτόματο Σύστημα Κατάτμησης, χρησιμοποιώντας Βαθιά Νευρωνικά Δίκτυα. Το σύνολο δεδομένων που χρησιμοποιήθηκε, αποτελείται από 1838 εικόνες MRI τύπου T2, με 38 ασθενείς και με 2 χρονικά σημεία για τον κάθε ένα. Για κάθε εικόνα MRI, υπάρχουν τα αντίστοιχα δεδομένα που υποδηλώνουν τις περιοχές όπου παρουσιάζεται η φθορά. Με τη χρήση της αρχιτεκτονικής U-Net και μετά την εφαρμογή μιας σειράς ενεργειών επεξεργασίας των δεδομένων εκπαίδευσης, επιτεύχθηκε Dice Similarity Coefficient ίσο του 0.70.