Mardo, Mardo2025-09-102025-09-102025-09-10https://hdl.handle.net/2077/89588Introduktion: Automatiserad segmentering av hjärnavbildningar spelar en viktig roll inom storskalig neuroimaging-forskning och visar en växande potential för kliniska tillämpningar. Traditionella segmenteringsmetoder är beroende av manuellt annoterade MRbilder som atlas, vilket är tidskrävande att samla in och sådana data finns ofta inte tillgängliga i tillräcklig mängd eller variation. Denna avhandling dokumenterar ett forskningsprojekt där användningen av syntetiskt genererade MR-bilder med känd grundsanning ”ground truth” har undersökts för att stödja utvärdering och benchmarking av automatiserade segmenteringsmetoder. Syfte och mål: Syftet med detta arbete var att generera syntetiska MR-bilder med kontrollerade strukturella och intensitetsmässiga förändringar för att utvärdera segmenteringsalgoritmen multi-atlas segmentation with enhanced registration (MAPER) avseende både prestanda och robusthet med leave-one-out cross-validation. Vidare utvärderas om de syntetiska bilderna kan användas som effektiva atlaser i jämförelse med konventionella MR-bilder samt om lämpliga riktmärke-konfigurationer kan identifieras för att utvärdera olika versioner av MAPER: onepad (master) och no-onepad. Metod: Fem typer av syntetiska MR-bilder genererades utifrån IXI- och Hammersdatamängderna, med varierande grad av spatiala och intensitetsrelaterade modifieringar. Följande experiment genomfördes: (1) jämförelse av segmenteringsprestanda mellan syntetiska atlaser och omodifierade konventionella atlaser, (2) utvärdering av prestanda och robusthet med leave-one-out cross-validation på syntetiska och konventionellt mål (3) kvantifiera konvergenshastigheten för de olika grundsanningsriktmärkena utifrån en parametrisk modell och tillämpa bootstrapping som ett riktmärkesmått för att identifiera det mest känsliga riktmärket, samt (4) tillämpa detta riktmärke för att jämföra två olika MAPER-konfigurationer. Resultat och slutsats: Segmenteringsprestandan var högst med konventionella MRbilder atlaser, följt av statistiska och scrambled syntetiska varianter. Leave-one-out cross-validation (LOOCV) bekräftade liknande mönster. Vid riktmärkning visade den statistiskt utjämnade syntetiska bilderna (statsmooth) medföra högst konvergenshastighet, vilket gjorde den till det mest känsliga riktmärke alternativet. Vid tillämpning av riktmärket framkom att no-onepad-versionen av MAPER presterade bättre än standardversionen master. Diskussion: Resultaten visar att även om syntetiska bilder presterar sämre än konventionella data som atlaser, ger de värdefull insikt i algoritmens robusthet och segmenteringsbeteende. Grundsanningriktvärde visar lovande potential som en kontrollerad och reproducerbar metod för att jämföra segmenteringsmetoder och identifiera subtila prestandaskillnader.Introduction: Automated brain image segmentation plays an important role in large-scale neuroimaging research and shows growing potential for clinical applications. Traditional segmentation pipelines rely on manually annotated MR-images as atlases, but such data are time-consuming to acquire and may not be readily available in sufficient quantity or variety. This thesis documents a research project where the use of synthetically generated MRimages with known ground truth was explored to support evaluation and benchmarking of automated segmentation methods. Aim & Purpose: The aim of this thesis is to evaluate the performance and robustness of the multi-atlas segmentation with enhanced registration (MAPER) algorithm using leave-one-out cross-validation, facilitated by the generation of synthetic MR images with controlled structural and intensity alterations. Additionally, this study assesses whether the synthetic images can be used as effective atlases compared to conventional MR-images and find a suitable benchmark for evaluation of different MAPER versions; onepad (master) and no-onepad. Method: Five types of synthetic MR-images were generated based on the IXI and Hammers datasets, each with different modes of spatial and intensity modification. Experiments were designed to (1) compare segmentation performance between synthetic atlases and unmodified conventional atlas (2) validate segmentation performance and robustness using leave-one-out cross-validation on synthetic targets, (3) quantify the convergence rate for the different ground truth benchmarks based on a parametric model and perform bootstrapping as a benchmarking measure to find the most sensitive benchmark. Then (4) apply this benchmark to compare two MAPER configurations. Results and conclusion: Segmentation performance was highest using conventional MRimages atlases, followed by statistical and scrambled synthetic variants. Leave-one-out cross-validation (LOOCV) confirmed similar trends. In benchmarking, the statistical smoothed image (statsmooth) type exhibited the fastest convergence rate, making it the most sensitive benchmark. Application of the benchmark revealed that the no-onepad version of MAPER outperformed the standard master configuration. Discussion: The results highlight that although synthetic images underperform compared to conventional data as atlases, they provide meaningful insights into algorithm robustness and segmentation behaviour. The ground truth benchmark shows potential as a controlled and reproducible framework for comparing segmentation methods and identifying subtle differences in performance.engMulti-Atlas SegmentationMAPERAutomated brain image segmentationSynthetic MR-imagesLeave-one-out cross-validation LOOCVText