Contributions of artificial intelligence based image processing techniques to Multiparametric Magnetic Resonance Thoracoabdominal Imaging

Esta Tesis se centra en el desarrollo de un marco de procesado de imagen basado en aprendizaje profundo, específicamente diseñado para imágenes de tipo arterial spin labeling (ASL), cuyo carácter no invasivo resulta esencial para el estudio de perfusión en pacientes. Se ha abordado la falta de métodos de aprendizaje profundo dedicados al procesado de imágenes ASL, específicamente en imágenes renales y se ha demostrado la capacidad de dicho marco de adaptarse a otros dominios, como la imagen médica miocárdica. Los avances clave que aporta esta Tesis incluyen la implementación de técnicas de registro de imágenes, segmentación y generación de bases de datos sintéticos. Se ha introducido una adaptación de la arquitectura VoxelMorph para el registro de imágenes ASL en riñones. Además, se ha desarrollado un método de segmentación automática para riñones, corteza y médula, optimizando la estimación de la perfusión renal. Por otro lado, a través del uso de datos sintéticos generados mediante la arquitectura CycleGAN, se ha demostrado que los modelos entrenados con imágenes sintéticas pueden superar a aquellos entrenados con datos reales, enfatizando el valor de los datos sintéticos en la mejora de los modelos de segmentación y en la barrera que supone la escasez y privacidad de los datos clínicos. Asimismo, el marco de procesado de imagen desarrollado ha establecido un sistema totalmente automatizado para estimar los valores de perfusión renal. Para asegurar la adaptabilidad a otros dominios clínicos, se han explorado imágenes ASL de miocardio, y se ha presentado un método automático para la segmentación del miocardio en ASL, que proporciona una estimación del flujo sanguíneo miocárdico. En general, esta Tesis contribuye significativamente al campo de la imagen médica al abordar desafíos clave en el procesamiento de imágenes ASL en riñón y miocardio a través de técnicas basadas en aprendizaje profundo, mejorando las capacidades diagnósticas y sentando las bases para futuros avances en técnicas de imagen médica no invasiva.

This Thesis focuses on the development of a deep learning (DL)-based image processing framework specifically designed for arterial spin labeling (ASL) images, whose non-invasive nature is attractive for studying perfusion in patients. The limited availability of DL-based methods specifically tailored for ASL image processing, particularly in renal imaging, has been addressed. Furthermore, the framework’s adaptability to other domains, such as myocardial imaging, has been successfully demonstrated. Key advances contributed by this Thesis include the implementation of image registration techniques, segmentation, and synthetic database generation. An adaptation of the VoxelMorph architecture has been introduced for ASL image registration in kidneys. Additionally, an automatic segmentation method has been developed for kidneys, cortex, and medulla, improving renal perfusion estimation. Moreover, using synthetic data generated through the CycleGAN architecture, it has been shown that models trained on synthetic images can outperform those trained on real data, highlighting the value of synthetic data in enhancing segmentation models and overcoming the challenges of clinical data scarcity and privacy. The developed image processing framework has also established a fully automated system to estimate renal perfusion values. To ensure adaptability to other clinical domains, myocardial ASL images are explored, and an automatic method for myocardial segmentation in ASL is presented, providing an estimate of myocardial blood flow. Overall, this Thesis makes significant contributions to the field of medical imaging by addressing key challenges in renal and myocardial ASL processing through DL, improving diagnostic capabilities, and laying the groundwork for future advances in non-invasive medical imaging techniques.