Anisotropic to Isotropic Reconstruction of Infant Brain MRI using Deep Learning
(2026) In Master's Theses in Mathematical Sciences FMAM05 20252Mathematics (Faculty of Engineering)
- Abstract
- Brain magnetic resonance imaging (MRI) is an important tool for diagnosing neurological diseases and is widely used in research to study brain development and aging. However, acquiring high-resolution (HR) isotropic MRI is time- and resource-consuming, which often leads to acquisition of low-resolution (LR) anisotropic MRI instead. In recent years, deep learning has shown promising advancements in synthesizing isotropic MRI from anisotropic scans. However, the models are often trained for certain tasks, and may need re-training or re-optimization to perform well in other scenarios. Consequently, this thesis aims to construct a deep learning pipeline specifically optimized for anisotropic to isotropic reconstruction of T2-weighted (T2w)... (More)
- Brain magnetic resonance imaging (MRI) is an important tool for diagnosing neurological diseases and is widely used in research to study brain development and aging. However, acquiring high-resolution (HR) isotropic MRI is time- and resource-consuming, which often leads to acquisition of low-resolution (LR) anisotropic MRI instead. In recent years, deep learning has shown promising advancements in synthesizing isotropic MRI from anisotropic scans. However, the models are often trained for certain tasks, and may need re-training or re-optimization to perform well in other scenarios. Consequently, this thesis aims to construct a deep learning pipeline specifically optimized for anisotropic to isotropic reconstruction of T2-weighted (T2w) infant brain MRI. The proposed approach is a supervised, 3D patch-based residual U-Net architecture, which has been carefully optimized in terms of network depth, patch size, input channels, residual units, and data augmentation. The final model outperforms a baseline interpolation-based framework, both with visual assessment and quantitative measures. However, the network presents limited generalization to unseen types of LR anisotropic input. To address this limitation, augmentation is introduced by adding more types of LR anisotropic MRI to the training data. This shows promising results and can, with further development, be utilized for research use, and eventually in clinical practice. In conclusion, this work successfully implements a deep learning pipeline for anisotropic to isotropic reconstruction in T2w infant brain MRI through systematic optimization of model hyperparameters. (Less)
- Popular Abstract (Swedish)
- Användning av artificiell intelligens för att förbättra kvaliteten på MR-bilder av spädbarnshjärnan.
Kliniska MR-bilder har ofta låg upplösning på grund av tids- och resursbrist på sjukhus. I det här projektet undersöks om artificiell intelligens kan användas för att förbättra upplösningen av MR-bilder - ett sätt att underlätta för både forskning och diagnostik.
Magnetkameran (MR) är ett viktigt verktyg för att studera hjärnan och diagnostisera neurologiska sjukdomar. Tyvärr finns det vissa svårigheter med MR. För det första är det resurskrävande, vilket innebär att sjukvården måste begränsa användningen, och för det andra krävs långa tider i MR-maskinen för att få bra bilder. Långa bildtagningstider resulterar i att patienten hinner... (More) - Användning av artificiell intelligens för att förbättra kvaliteten på MR-bilder av spädbarnshjärnan.
Kliniska MR-bilder har ofta låg upplösning på grund av tids- och resursbrist på sjukhus. I det här projektet undersöks om artificiell intelligens kan användas för att förbättra upplösningen av MR-bilder - ett sätt att underlätta för både forskning och diagnostik.
Magnetkameran (MR) är ett viktigt verktyg för att studera hjärnan och diagnostisera neurologiska sjukdomar. Tyvärr finns det vissa svårigheter med MR. För det första är det resurskrävande, vilket innebär att sjukvården måste begränsa användningen, och för det andra krävs långa tider i MR-maskinen för att få bra bilder. Långa bildtagningstider resulterar i att patienten hinner röra på sig mer i maskinen, vilket introducerar rörelseartefakter i bilderna. Detta skapar en konstant balansgång inom sjukvården, där man strävar efter att minimera tiden i maskinen och samtidigt maximera bildkvaliteten.
Begränsningarna med MR är särskilt framträdande när det kommer till spädbarn, eftersom det inte finns något enkelt sätt att försäkra sig om att barnet är stilla under bildtagning. Det har lett till att man låter barnet vara kortare tid i MR-maskinen, vilket resulterar i lågupplösta bilder som är svåra att använda inom både forskning och diagnostik.
Därför utreder vi i det här projektet om det finns något sätt att förbättra MR-bilder av just spädbarnshjärnor. Idén är att använda artificiell intelligens för att rekonstruera den lågupplösta MR-bilden till en högupplöst bild. Detta görs genom att träna en djupinlärningsmodell på flera MR-bilder av spädbarnshjärnor. Under träningen får modellen se både lågupplösta bilder och deras högupplösta motsvarigheter. Målet är att modellen till slut ska lära sig att självständigt skapa en korrekt högupplöst bild baserat enbart på den lågupplösta informationen.
Men fungerar det? För att utvärdera resultatet gav vi modellen olika typer av lågupplösta testbilder som den fick prova att rekonstruera. Det visade sig att den lyckades med sin uppgift om testbilden hade liknande grad av låg upplösning som bilderna den var tränad på. Men om testbilden, till exempel, hade ännu lägre upplösning än de bilder som användes under träningen, var det svårt för modellen att lyckas.
Slutsatsen från det här projektet är att det går att använda artificiell intelligens, alltså djupinlärningsmodeller, för att rekonstruera lågupplösta MR-bilder av spädbarnshjärnor till högupplösta. För att modellen ska fungera mer generellt krävs dock att den tränas på fler variationer av lågupplösta bilder.
På sikt kan vår modell få praktisk användning inom både forskning och sjukvård. Genom att rekonstruera kliniska lågupplösta MR-bilder till högupplösta kan forskare få bättre möjligheter att studera hur spädbarnshjärnan utvecklas. Det finns även potential för framtida tillämpningar inom sjukvården, där förbättrad bildkvalitet kan bidra till säkrare och mer effektiv diagnostik. (Less)
Please use this url to cite or link to this publication:
https://lup.lub.lu.se/student-papers/record/9222513
- author
- Lennartsson, Alma LU
- supervisor
- organization
- course
- FMAM05 20252
- year
- 2026
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- Magnetic Resonance Imaging, Anisotropic, Isotropic, Neuroscience, Infant Brain, Deep Learning, Super Resolution, T2-weighted MRI, MRI, Myelin, U-Net
- publication/series
- Master's Theses in Mathematical Sciences
- report number
- LUTFMA-3607-2026
- ISSN
- 1404-6342
- other publication id
- 2026:E7
- language
- English
- id
- 9222513
- date added to LUP
- 2026-03-16 14:20:59
- date last changed
- 2026-03-16 14:20:59
@misc{9222513,
abstract = {{Brain magnetic resonance imaging (MRI) is an important tool for diagnosing neurological diseases and is widely used in research to study brain development and aging. However, acquiring high-resolution (HR) isotropic MRI is time- and resource-consuming, which often leads to acquisition of low-resolution (LR) anisotropic MRI instead. In recent years, deep learning has shown promising advancements in synthesizing isotropic MRI from anisotropic scans. However, the models are often trained for certain tasks, and may need re-training or re-optimization to perform well in other scenarios. Consequently, this thesis aims to construct a deep learning pipeline specifically optimized for anisotropic to isotropic reconstruction of T2-weighted (T2w) infant brain MRI. The proposed approach is a supervised, 3D patch-based residual U-Net architecture, which has been carefully optimized in terms of network depth, patch size, input channels, residual units, and data augmentation. The final model outperforms a baseline interpolation-based framework, both with visual assessment and quantitative measures. However, the network presents limited generalization to unseen types of LR anisotropic input. To address this limitation, augmentation is introduced by adding more types of LR anisotropic MRI to the training data. This shows promising results and can, with further development, be utilized for research use, and eventually in clinical practice. In conclusion, this work successfully implements a deep learning pipeline for anisotropic to isotropic reconstruction in T2w infant brain MRI through systematic optimization of model hyperparameters.}},
author = {{Lennartsson, Alma}},
issn = {{1404-6342}},
language = {{eng}},
note = {{Student Paper}},
series = {{Master's Theses in Mathematical Sciences}},
title = {{Anisotropic to Isotropic Reconstruction of Infant Brain MRI using Deep Learning}},
year = {{2026}},
}