Use of machine learning algorithms to optimize diagnostic methods using magnetic resonance imaging of adult patients

Abstract

This PhD research advances neuroimaging artificial intelligence from conceptual prototypes toward clinically deployable systems designed for real-world radiology workflows. It introduces a holistic framework that balances high diagnostic accuracy with interpretability, modular architecture with cohesive functionality, and robustness with adaptability. By addressing practical constraints—including multi-pathology coverage, multimodal MRI inputs, raw data processing, clinician-oriented outputs, and readiness for embedded deployment—the proposed system functions as a trustworthy copilot for radiologists, aiming to reduce diagnostic delays, alleviate cognitive load, and improve consistency in clinical decision-making.Development and evaluation are based on a carefully curated multiparametric brain MRI dataset comprising 150 examinations from a single 3T academic center. The dataset captures realistic clinical heterogeneity across seven major pathologies and includes six complementary MRI sequences (FLAIR, T2, T1ce, DWI, ADC, and T1) in both 2D and 3D formats. Rigorous quality control and reproducible preprocessing pipelines enable realistic benchmarking while acknowledging limitations such as class imbalance and single-center bias, thereby establishing a foundation for future multi-center validation. The proposed cascaded deep learning pipeline combines transfer learning–based slice-level classification with U-Net–based segmentation, achieving high diagnostic accuracy and spatially explicit lesion delineation. This dual strategy optimizes specificity for normal examinations and sensitivity for abnormality detection, while enhancing interpretability through volumetric summaries and lesion contextualization. Systematic investigation of modality selection and architectural design further demonstrates the advantages of multi-sequence fusion, 3D contextual information, and domain adaptation for clinical robustness. Additional contributions include the application of federated learning in neuroimaging, demonstrating improved performance, privacy preservation, and scalability for collaborative multi-center deployment. Furthermore, the integration of multimodal MRI radiomics with advanced classifiers such as XGBoost provides a scalable and interpretable framework for broad pathology differentiation. Overall, this thesis presents a clinically relevant, interpretable, and scalable neuroimaging AI system that supports triage, prioritization, and improved patient care, contributing to narrowing the gap between emerging AI methods and their routine clinical adoption.

Η παρούσα διδακτορική έρευνα προωθεί την τεχνητή νοημοσύνη στη νευροαπεικόνιση από το στάδιο των εννοιολογικών πρωτοτύπων σε συστήματα έτοιμα για κλινική εφαρμογή σε πραγματικές κλινικές εφαρμογές ακτινολογίας. Προτείνεται ένα ολοκληρωμένο πλαίσιο που συνδυάζει υψηλή διαγνωστική ακρίβεια με ερμηνευσιμότητα, αρθρωτή αρχιτεκτονική, λειτουργικότητα και προσαρμοστικότητα. Λαμβάνοντας υπόψη πρακτικούς περιορισμούς—όπως η κάλυψη πολλαπλών παθολογιών, η αξιοποίηση πολυτροπικών δεδομένων μαγνητικού συντονισμού (MRI), η επεξεργασία πρωτογενών δεδομένων, τα κλινικά κατανοητά αποτελέσματα και η δυνατότητα κλινικής ανάπτυξης—το σύστημα σχεδιάζεται ως αξιόπιστος «συνεργάτης» του ακτινολόγου, με στόχο τη μείωση διαγνωστικών καθυστερήσεων, τη μείωση του εργασιακού φόρτου και τη βελτίωση της συνέπειας στη φροντίδα των ασθενών. Η ανάπτυξη και αξιολόγηση βασίζονται σε ένα προσεκτικά επιμελημένο πολυπαραμετρικό σύνολο δεδομένων MRI εγκεφάλου, που περιλαμβάνει 150 εξετάσεις από ένα ακαδημαϊκό κέντρο νευροαπεικόνισης με μαγνητικό τομογράφο 3Tesla. Το σύνολο δεδομένων αντικατοπτρίζει την πραγματική κλινική ετερογένεια σε επτά βασικές παθολογίες και περιλαμβάνει έξι συμπληρωματικές ακολουθίες MRI (FLAIR, T2, T1ce, DWI, ADC, T1) σε μορφές 2D και 3D, με αυστηρό ποιοτικό έλεγχο και αναπαραγώγιμες διαδικασίες προεπεξεργασίας. Ο προτεινόμενος αλγόριθμός βαθιάς εκμάθησης συνδυάζει ταξινόμηση σε επιπέδου τομής, με μεταφορά μάθησης, και τμηματοποίηση μέσω U-Net, επιτυγχάνοντας υψηλή ακρίβεια ταξινόμησης και ακριβή εντοπισμό βλαβών. Η προσέγγιση αυτή βελτιστοποιεί την ειδικότητα για φυσιολογικές εξετάσεις και την ευαισθησία για ανίχνευση παθολογιών, ενισχύοντας παράλληλα την ερμηνευσιμότητα μέσω ογκομετρικών δεδομένων και διαφοροποιήση βλαβών. Επιπλέον, διερευνάται η ομοσπονδιακή μάθηση για συνεργατική πολυκεντρική εκπαίδευση με προστασία ιδιωτικότητας, ενώ ο συνδυασμός ραδιομικών χαρακτηριστικών με προηγμένους ταξινομητές, όπως το XGBoost, προσφέρει κλιμακωτή και ερμηνεύσιμη διαφοροποίηση παθολογιών. Συνολικά, η διατριβή παρουσιάζει ένα κλινικά εφαρμόσιμο, ερμηνεύσιμο και επεκτάσιμο σύστημα τεχνητής νοημοσύνης για τη νευροαπεικόνιση, που υποστηρίζει τη διαλογή και προτεραιοποίηση εξετάσεων και συμβάλλει στη βελτίωση της φροντίδας των ασθενών.