{"id":15287,"date":"2026-05-20T07:15:32","date_gmt":"2026-05-20T07:15:32","guid":{"rendered":"https:\/\/www.proefschriftmaken.nl\/portfolio\/bo-li\/"},"modified":"2026-05-20T07:15:50","modified_gmt":"2026-05-20T07:15:50","slug":"bo-li","status":"publish","type":"us_portfolio","link":"https:\/\/www.proefschriftmaken.nl\/en\/portfolio\/bo-li\/","title":{"rendered":"Bo Li"},"content":{"rendered":"","protected":true},"excerpt":{"rendered":"","protected":true},"author":7,"featured_media":15288,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"footnotes":""},"us_portfolio_category":[45],"class_list":["post-15287","us_portfolio","type-us_portfolio","status-publish","post-password-required","hentry","us_portfolio_category-new-template"],"acf":{"naam_van_het_proefschift":"Advancing Brain MRI Analysis in Aging and Disease with Deep Learning","samenvatting":"Dit proefschrift ontwikkelt deep learning-benaderingen om de analyse van hersen-MRI te verbeteren op drie belangrijke gebieden: dMRI-analyse, interpreteerbare AI voor studies naar veroudering en dementie, en de klinische vertaling van AI-gestuurde neuroimaging-methoden.\n\nHet eerste doel richt zich op uitdagingen bij de analyse van specifieke witte stof (WM)-banen, waaronder baansegmentatie en beeldregistratie. Het introduceert Neuro4Neuro, een methode om 25 witte stof-banen rechtstreeks te segmenteren uit diffusietensorbeelden, en Segis-Net, een raamwerk voor gelijktijdige segmentatie en registratie. Daarnaast presenteert het LUGR, een op deep learning gebaseerde oplossing voor onbevooroordeelde groepsgewijze registratie om longitudinale consistentie te waarborgen.\n\nHet tweede doel richt zich op het verminderen van verstorende effecten (confounding) en het verbeteren van de interpreteerbaarheid in op deep learning gebaseerde beeldvorming. Er worden methoden ge\u00efntroduceerd voor het extraheren van representaties zonder verstorende factoren en een interpreteerbaar raamwerk met behulp van Explainable Boosting Machines (EBM's) voor de diagnose van de ziekte van Alzheimer, wat inzicht geeft in de belangrijkheid van kenmerken op zowel groeps- als individueel niveau.\n\nHet derde doel slaat de brug naar klinische toepassingen door raamwerken te ontwikkelen voor praktijkuitdagingen, waaronder het volgen van de progressie van gliomen en het detecteren van cerebrale lacunes bij aandoeningen van de kleine vaten. Deze toepassingen benadrukken het praktische nut van deep learning bij het aanpakken van complexe neurologische aandoeningen en het ondersteunen van klinische besluitvorming.","summary":"This thesis develops deep learning approaches to enhance brain MRI analysis across three key areas: dMRI analysis, interpretable AI for aging and dementia studies, and clinical translation of AI-driven neuroimaging methods.\n\nThe first aim addresses challenges in white matter (WM) tract-specific analysis, including tract segmentation and image registration. It introduces Neuro4Neuro, a method for segmenting 25 white matter tracts directly from diffusion tensor images, and Segis-Net, a framework for simultaneous segmentation and registration. It also presents LUGR, a deep learning-based solution for unbiased group-wise registration to ensure longitudinal consistency.\n\nThe second aim focuses on mitigating confounding effects and enhancing interpretability in deep learning-based imaging. It introduces methods for extracting confounder-free representations and an interpretable framework using Explainable Boosting Machines (EBMs) for diagnosing Alzheimer\u2019s disease, providing both group- and individual-level feature importance.\n\nThe third aim bridges the gap to clinical applications by developing frameworks for real-world challenges, including tracking glioma progression and detecting cerebral lacunes in small vessel disease. These applications highlight the practical utility of deep learning in addressing complex neurological conditions and supporting clinical decision-making.","auteur":"Bo Li","auteur_slug":"bo-li","publicatiedatum":"16 juni 2026","taal":"EN","url_flipbook":"https:\/\/ebook.proefschriftmaken.nl\/ebook\/boli?iframe=true","url_download_pdf":"https:\/\/ebook.proefschriftmaken.nl\/download\/c513a4e5-b4e3-41b7-b752-c2f38b01287b\/optimized","url_epub":"","ordernummer":"19121","isbn":"978-94-6534-450-8","doi_nummer":"","naam_universiteit":"Erasmus Universiteit Rotterdam","afbeeldingen":15289,"naam_student:":"","binnenwerk":"","universiteit":"Erasmus Universiteit Rotterdam","cover":"","afwerking":"","cover_afwerking":"","design":""},"_links":{"self":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/15287","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio"}],"about":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/types\/us_portfolio"}],"author":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/comments?post=15287"}],"version-history":[{"count":1,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/15287\/revisions"}],"predecessor-version":[{"id":15290,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/15287\/revisions\/15290"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media\/15288"}],"wp:attachment":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media?parent=15287"}],"wp:term":[{"taxonomy":"us_portfolio_category","embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio_category?post=15287"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}