MARC

 008250123s2024        us                              c    eng  d
■001000017163722
■00520250211152745
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798342107495
■035    ▼a(MiAaPQ)AAI31520273
■035    ▼a(MiAaPQ)Stanfordgg874sq1652
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616.8905
■1001  ▼aOuyang,  Jiahong.
■24510▼aMulti-Dimensional  Neuroimage  Analysis
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a195  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Pohl,  Kilian;Zaharchuk,  Greg.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aMulti-modal  and  longitudinal  neuroimages  (a.k.a.  multi-dimensional  neuroimages)  are  critical  for  the  understanding,  diagnosis,  and  monitoring  of  neurological  disorders.  The  complex  disease  patterns  captured  by  these  images  are  in  many  cases  difficult  to  identify  by  visual  inspection  from  human  experts  or  existing  technology.  Deep  learning  techniques  have  recently  shown  immense  potential  in  neuroimage  analysis.  However,  they  often  result  in  uninterpretable  findings,  which  is  of  particular  concern  where  understanding  a  model's  behavior  fosters  trust  and  assurance  among  clinicians.  Besides,  to  make  their  findings  generalizable,  they  usually  require  large  labeled  neuroimaging  datasets  that  are  unavailable  or  acquired  at  a  high  cost.  Thus,  in  this  dissertation,  we  aim  to  address  these  two  challenges  of  deep  learning  approaches:  interpretability  and  accuracy  under  limited  data.  Specifically,  we  propose  to  enhance  interpretability  by  visualization  and  estimation  of  patterns  characteristic  for  a  disease.  To  accurately  identify  disease-specific  patterns,  we  propose  to  integrate  prior  knowledge  in  the  model  design  and  to  develop  novel  deep  learning  strategies  centered  around  self-  or  weakly  supervision.Adapting  these  key  ideas,  we  first  develop  deep  learning  methods  for  multi-modal  neuroimages  with  the  task  of  synthesizing  18F-fluorodeoxyglucose  (FDG)  Positron  Emission  Tomography  (PET)  from  multi-contrast  Magnetic  Resonance  Imaging  (MRI).  We  introduce  brain  symmetry  into  the  model  design  to  achieve  accurate  characterization  of  abnormality.  Then,  we  develop  a  self-supervised  method  to  enable  accurate  synthesis  even  when  an  input  modality  is  missing.  We  are  able  to  synthesize  diagnostic-quality  FDG  PET  images  from  MRIs  for  the  brain  neoplasm  cohort,  potentially  leading  to  safer  and  more  equitable  diagnostic  neuroimaging.  Secondly,  we  design  a  series  of  interpretable  deep  learning  methods  ranging  from  supervised  to  self-  or  weakly  supervised  to  analyze  brain  aging  and  Alzheimer's  Disease  (AD)  from  longitudinal  MRIs.  These  models  explicitly  account  for  the  irreversibility  of  these  processes  enabling  us  to  accurately  estimate  brain  age  and  disease  progression,  including  AD  diagnoses  and  identifying  subjects  that  will  convert  to  AD.  Lastly,  we  introduce  a  work  that  further  extends  to  the  interpretable  analysis  of  multi-dimensional  neuroimages,  that  jointly  learns  from  longitudinal  MRI  and  amyloid  PET.  By  regularizing  the  temporal  ordering  of  showing  disease  abnormality  across  modalities,  it  further  results  in  the  accurate  cross-modal  prediction  task  of  estimating  amyloid  status  from  MRI.  These  efforts  in  AD  analysis  enable  early-stage  diagnosis  of  AD,  which  has  the  potential  of  facilitating  timely  intervention  and  enhancing  AD  clinical  trials.
■590    ▼aSchool  code:  0212.
■650  4▼aNeuroimaging
■650  4▼aAlzheimer's  disease
■650  4▼aDeep  learning
■650  4▼aNeurological  disorders
■650  4▼aAging
■650  4▼aMedical  research
■650  4▼aBrain
■650  4▼aMedical  imaging
■650  4▼aVisualization
■650  4▼aMedicine
■650  4▼aNeurosciences
■690    ▼a0493
■690    ▼a0574
■690    ▼a0800
■690    ▼a0564
■690    ▼a0317
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163722▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books