{"id":7897,"date":"2026-04-03T09:12:22","date_gmt":"2026-04-03T09:12:22","guid":{"rendered":"https:\/\/www.proefschriftmaken.nl\/portfolio\/jiahang-su\/"},"modified":"2026-04-23T09:10:16","modified_gmt":"2026-04-23T09:10:16","slug":"jiahang-su","status":"publish","type":"us_portfolio","link":"https:\/\/www.proefschriftmaken.nl\/en\/portfolio\/jiahang-su\/","title":{"rendered":"Jiahang Su"},"content":{"rendered":"","protected":false},"excerpt":{"rendered":"","protected":false},"author":8,"featured_media":14246,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"footnotes":""},"us_portfolio_category":[45],"class_list":["post-7897","us_portfolio","type-us_portfolio","status-publish","has-post-thumbnail","hentry","us_portfolio_category-new-template"],"acf":{"naam_van_het_proefschift":"Development and Assessment of Learning-based Vessel Biomarkers from CTA in Ischemic Stroke","samenvatting":"In de afgelopen jaren heeft de bloei van op leren gebaseerde methoden een wedergeboorte teweeggebracht in de medische beeldanalyse. Klassieke methoden werden snel vervangen door allerlei op leren gebaseerde methoden. Dit proefschrift heeft methoden voor het bepalen van biomarkers in ischemische beroerten onderzocht. Zulke biomarkers kunnen bijv. gebruikt worden voor besluitvorming rond de behandeling. De eerste hoofdstukken van dit proefschrift gaan over het bepalen van een score voor collateralen; zowel het model ontwerp, het onderzoeken van de performance, en de klinische toepassing. In de laatste hoofdstukken van het proefschrift introduceren en evalueren we een generieke methode om de binaire segmentatie resultaten voor het segmenteren van buisvormige structuren, en een methode die de anterieure vaatbomen bepaalt in CTA beelden.\n\nIn Hoofdstuk 2 hebben we een model om de score voor collateralen te bepalen, ontworpen. Het model volgt de menselijke manier van scoren. De voorgestelde methode bestaat uit drie stappen. Eerst wordt via een atlas registratie het brein bepaald. Vervolgens wordt een 3D U-Net voor vaatsegmentatie toegepast. En tenslotte wordt de score bepaald door de mediaan van de ratio\u2019s van vaatkenmerken van de geoccludeerde kant en de contra-laterale kant. Deze scores zijn re\u00eble getallen, en conversie naar een categorische schaal werd gedaan via regressie of een \u2018random forest\u2019 model. De nauwkeurigheid van de scores is ge\u00ebvalueerd in de beelden van 270 pati\u00ebnten, die op een willekeurige manier gekozen zijn uit een grote, multi-centrische verzameling van beelden (MR Clean Registry). De referentie scores waren bepaald door drie ervaren radiologen, en de automatische methode heeft resultaten die vergelijkbaar zijn met de menselijke scores. Voor het trainen van het vaatsegmentatie model was ook een handmatige annotatie van de vaten gemaakt.\n\nIn Hoofdstuk 3 hebben we een end-to-end model voor het bepalen van een collaterale score ontwikkeld. De methode beschouwt het bepalen van een collaterale score als een classificatie probleem; een Siamees model wordt gebruikt om kenmerken uit het beeld te halen, en de kant met de occlusie te vergelijken met de andere kant. Om de vergelijking makkelijk te maken, werd een atlas gebruikt om de linker en rechter hersenhelft te bepalen. De methode bepaalt hiermee een score met vier mogelijke waarden. De methode is ge\u00ebvalueerd met beelden van MR Clean studie. De nauwkeurigheid van deze methode is vergelijkbaar met de methode uit hoofdstuk 2.\n\nIn Hoofdstuk 4 vergelijken we de resultaten van de methode uit hoofdstuk 2 met de scores die 29 radiologen en radiologen in opleiding hebben bepaald. Er was geen statistisch significant verschil in nauwkeurigheid tussen de scores van de radiologen en radiologen in opleiding enerzijds, en de automatische methode anderzijds.\n\nIn Hoofdstuk 5 onderzoeken we het beste tijdstip (na contrast toediening) voor het maken van een CTA afbeelding. We gebruiken hiervoor de methode uit hoofdstuk 2 en bepalen voor alle tijdstippen van een CTP beeld en van een mCTA beeld een collaterale score. Met behulp van deze scores worden de CTP en mCTA beelden langs de tijdsas naast elkaar gezet. De studie laat zien dat de collateralen score erg afhankelijk is van het moment waarop het beeld gemaakt wordt, dat dat moment voor mCTA beelden nauwkeurig gekozen kan worden, en dat, als we de collateralen score vergelijken met andere parameters van de pati\u00ebnt voor een interventie, een CTP beeld geen toegevoegde waarde heeft: een CTA beeld genomen op het juiste moment is voldoende.\n\nIn Hoofdstuk 6 wordt een generieke methode om het resultaat van segmentatie van buisvormige structuren (zoals luchtwegen in de longen, en vaten in het brein) te verbeteren ge\u00efntroduceerd. Om de methode te leren een eerste segmentatie te verbeteren, wordt de methode getraind met beelden met synthetische fouten, gegenereerd door een GAN. Deze methode kan gebruikt worden als een toevoeging op een eerste segmentatie aanpak. De buisvormige structuren bepaald door deze methode zijn statistisch significant completer en hebben een betere onderlinge verbinding. In deze studie zijn de handmatige intekeningen gemaakt in hoofdstuk 2 gebruikt.\n\nIn Hoofdstuk 7 wordt een methode voor het bepalen van de anterieure vaatboom in de hersenen gepresenteerd. De methode bestaat uit drie delen: een deep reinforcement learning gebaseerde methode om een pad in een beeld te bepalen, een CNN gebaseerde methode om bifurcaties te detecteren, en een klassieke breedte-eerst methode om een boomstructuur te maken. Een maat om de afstand tussen twee krommen te bepalen is gebruikt als beloningsfunctie. We hebben de netwerk architectuur en het trainingsschema onderzocht. Daarnaast hebben we een methode voorgesteld om beter het trainingsproces van de DRL methode in de gaten te houden (en niet alleen te kijken naar de beloningsfunctie). De CNN gebaseerde bifurcatie detectie gebruikt een vergelijkbare architectuur, met een instelbare normalisatie na elke convolutie laag. De breedte-eerst boom constructie met de resultaten van een aantal DRL resultaten is uiteindelijk gebruikt om de vaatboom te bepalen. Deze toepassing was nieuw, en het resultaat is vergelijkbaar met andere methoden. Voor deze studie zijn handmatige annotaties van de vaatbomen in 125 subjects (een willekeurige selectie uit de MR Clean registry) gemaakt om de methode te trainen, en te evalueren.","summary":"In the last few years, the blooming of learning based methods has brought reincarnation to the medical image analysis field. Classical methods were rapidly replaced by many kinds of learning based methods. This thesis has explored biomarker extraction methods and applications in ischemic stroke. Such biomarkers may be used in treatment decision making. The first chapters of this thesis focuses on collateral scoring, including model design, the assessment of model performance and the clinical use of the automatic collateral scoring method. In of the last chapters this thesis, a general post-processing method that improves binary segmentation results for the tubular structure was discussed, and a method that extracts the anterior trees from CTA images was developed and thoroughly assessed.\n\nIn Chapter 2, we designed a method for collateral scoring that follows the human visual collateral scoring approach. The proposed method consists of three steps. First, the brain region is defined using atlas based registration. Next, a 3D U-net for vessel segmentation is applied. Finally, the collateral score is determined using the median ratio of vessel features on the occluded side versus the contralateral side. The obtained collateral score is a floating point score. The floating point scores were converted into categorical scales using a simple regression model or random forest classifier. The performance of the collateral scoring method was assessed in a randomly sampled subset of a large multicenter registry dataset (MR CLEAN Registry). The subset consist of 270 subjects and the collateral reference standard was a consensus score obtained from three experienced radiologists. The performance of the proposed method is comparable to an experienced radiologist. In addition, a manually labeled cerebral vessel centerline dataset was created for training the vessel segmentation model.\n\nIn Chapter 3, we designed an end-to-end approach for modeling collateral score biomarker. The proposed method treats collateral scoring as a classification problem using a Siamese model to extract features and to compare the occluded hemisphere and healthy hemisphere. For ease of direct comparison, the occluded hemisphere and healthy hemisphere were aligned using atlas based registration. The output of this method was a value on a four-point scale. This method was evaluated using data from a randomized control trial, the MR CLEAN trial dataset. The performance of this end-to-end approach is similar to the method in Chapter 2.\n\nIn Chapter 4, we validate the performance of the proposed method in Chapter 2 with 29 raters (either radiologist or radiology resident). There is no statistically significant difference between the accuracy of human raters and the accuracy of the automatic collateral scoring method.\n\nIn Chapter 5, we use the floating point automatic collateral scoring method from Chapter 2 to investigate the optimal contrast acquisition time point for CTA images by computing the CS over all timepoints of CTP and mCTA images. This information is used to temporarily align CTP and mCTA images of the same subjects. The study shows that collateral scores greatly depend on the timing of the acquisition, that mCTA images can be accurately timed, and that, when using baseline parameters as a metric, a CTP image does not have added value for collateral scoring; a good-timed CTA image is sufficient.\n\nIn Chapter 6, a general method that is intended to improve the result of a tubular structure segmentation (e.g. a lung airway segmentation result and brain vessel segmentation result) is presented. The method learns to improve the initial segmentation results by training with data from a GAN based synthetic error generator. This method can act as an add-on to the initial segmentation approach. The connectivity and completeness of the tubular structure segmentation result improve statistically significantly when applying this method. The manual labelled dataset created Chapter 2 was used in this work.\n\nIn Chapter 7, a method for extracting the cerebral anterior vessel tree was presented. The method consists of three parts, a policy gradient based deep reinforcement learning (DRL) tracker, a CNN based bifurcation detection, and a classical breadth-first tree formation method. In the DRL tracking approach, we adopted a proximal policy optimization deep reinforcement learning method in an online fashion. A curve-to-curve distance metric reward function was proposed. We also investigated the network architecture configuration and the training scheme. In addition, we proposed a metric to better monitor the training process of the DRL tracker rather than relying on the accumulated reward. The bifurcation detection used a similar architecture but with switchable normalization after each convolutional layer. At last, a breath-first tree formation method with a tracking ensemble method was proposed to extract the anterior tree. The application of anterior tree extraction is novel in the field and the performance of DRL tracker achieves state of art performance. Moreover, a dataset of manually labeled cerebral anterior trees over 125 subjects (randomly selected from MR CLEAN Registry) was created for assessing and training the proposed method.","auteur":"Jiahang Su","auteur_slug":"jiahang-su","publicatiedatum":"25 oktober 2023","taal":"EN","url_flipbook":"https:\/\/ebook.proefschriftmaken.nl\/ebook\/jiahangsu?iframe=true","url_download_pdf":"","url_epub":"","ordernummer":"FTP-202604030909","isbn":"978-94-6469-590-8","doi_nummer":"","naam_universiteit":"Erasmus Universiteit Rotterdam","afbeeldingen":14246,"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\/7897","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\/8"}],"replies":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/comments?post=7897"}],"version-history":[{"count":1,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/7897\/revisions"}],"predecessor-version":[{"id":7900,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/7897\/revisions\/7900"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media\/14246"}],"wp:attachment":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media?parent=7897"}],"wp:term":[{"taxonomy":"us_portfolio_category","embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio_category?post=7897"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}