Advancing brain MRI assessment using generative models

Beizaee, Farzad (2025). Advancing brain MRI assessment using generative models. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (9MB) | Prévisualisation

Résumé

Magnetic Resonance Imaging (MRI) has become an indispensable modality in neurological diagnostics, offering non-invasive, high-resolution insights into brain structure and function. Despite its clinical ubiquity, automated analysis of brain MRI faces persistent challenges, including domain variability across imaging sites, limited annotated data for target tasks, and the subtlety of certain developmental and pathological anomalies. Addressing these limitations is crucial for advancing diagnostic reliability, generalization, and scalability in real-world clinical settings.

This thesis explores the integration of generative models into brain MRI analysis as a principled and label-efficient alternative to traditional discriminative frameworks. By modeling the underlying distribution of brain MRI data, generative approaches provide robust tools for learning from unlabeled data, simulating anatomical variability, and enhancing interpretability. We focus on three key areas of application: unsupervised MRI harmonization, unsupervised brain anomaly detection, and neonatal brain age estimation.

First, we introduce Harmonizing Flows, a novel framework based on normalizing flows for unsupervised and source-free harmonization of multi-site MRI scans. This method effectively aligns data distributions across scanners while preserving clinically relevant features, significantly improving model generalization, even on unseen domains. Second, we leverage a progression of generative models and propose three unsupervised anomaly detection approaches, MAD-AD, DeCo-Diff, and REFLECT, each building upon the strengths and addressing the shortcomings of the previous, leading to progressively more robust and effective solutions. In particular, these models learn the manifold of healthy brain anatomy and isolate pathological deviations without requiring annotated anomalies, demonstrating strong performance across various datasets. Lastly, we propose a learning-based framework for predicting neonatal brain age, enabling the identification of infants at risk of neurodevelopmental delays by quantifying maturational discrepancies not evident in conventional structural assessments.

Together, these contributions establish a cohesive, generative-model-based framework for brain MRI assessment that is scalable, interpretable, and clinically meaningful. Through extensive evaluation across diverse populations and imaging conditions, the proposed methods demonstrate improved robustness, enhanced diagnostic capability, and cross-domain generalizability. This work underscores the transformative potential of generative models in neuroimaging and paves the way toward more accessible, equitable, and effective brain health diagnostics.

Titre traduit

Évaluation par IRM cérébrale à l’aide de modèles génératifs

Résumé traduit

L’imagerie par résonance magnétique (IRM) est une modalité essentielle du diagnostic neurologique, offrant une visualisation non invasive et haute résolution de la structure et du fonctionnement cérébral. Malgré son adoption généralisée, l’analyse automatisée de l’IRM se heurte à des défis persistants : variabilité entre sites, rareté des annotations, et subtilité de certaines anomalies développementales ou pathologiques. Surmonter ces limites est crucial pour renforcer la fiabilité, la généralisation et la mise à l’échelle du diagnostic en contexte clinique réel.

Cette thèse explore l’intégration des modèles génératifs dans l’analyse des IRM cérébrales comme alternative rigoureuse et économe en annotations aux approches discriminantes classiques. En modélisant la distribution sous-jacente des données d’IRM cérébrales, ces modèles offrent des outils robustes pour l’apprentissage non supervisé, la simulation de la variabilité anatomique et une meilleure interprétabilité. Trois domaines d’application principaux sont étudiés : l’harmonisation non supervisée des IRM cérébrales, la détection non supervisée d’anomalies cérébrales, et l’estimation de l’âge cérébral néonatal.

Nous introduisons d’abord Harmonizing Flows, un nouveau cadre basé sur les normalizing flows pour l’harmonisation non supervisée et sans accès aux données sources des IRM multisites. Cette méthode aligne efficacement les distributions entre scanners tout en préservant les caractéristiques cliniques, améliorant ainsi la généralisation, même sur des domaines non vus. Ensuite, nous présentons une progression de modèles génératifs pour la détection d’anomalies non supervisée : MAD-AD, DeCo-Diff et REFLECT. Chacune s’appuie sur les forces de la précédente et corrige ses limites, menant à des solutions plus robustes. Ces modèles apprennent le variété de l’anatomie cérébrale saine et identifient les déviations pathologiques sans annotations, avec d’excellents résultats sur divers jeux de données. Enfin, nous proposons une méthode pour estimer l’âge cérébral néonatal, permettant d’identifier les nourrissons à risque de retards en quantifiant des écarts de maturation invisibles aux évaluations classiques.

Ensemble, ces contributions établissent un cadre cohérent d’analyse IRM cérébrale fondé sur des modèles génératifs, alliant évolutivité, interprétabilité et utilité clinique. Des évaluations sur des populations et conditions variées démontrent une robustesse, une capacité diagnostique accrue et une généralisation inter-domaines renforcée. Ce travail met en lumière le potentiel transformateur des modèles génératifs en neuro-imagerie et ouvre la voie à des diagnostics plus accessibles, équitables et efficaces.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 159-190).
Mots-clés libres:	évaluation de l’IRM cérébrale, modèles génératifs, harmonisation non supervisée des IRM, détection non supervisée d’anomalies, estimation de l’âge cérébral néonatal
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Dolz, José
Codirecteur:	Codirecteur Desrosiers, Christian Lodygensky, Gregory A.
Programme:	Doctorat en génie > Génie
Date de dépôt:	17 nov. 2025 14:49
Dernière modification:	17 nov. 2025 14:49
URI:	https://espace.etsmtl.ca/id/eprint/3731

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt