Synthetic Magnetic Resonance Elastography: Predicting Brain Stiffness in Parkinson’s Disease Patients from Multidimensional Diffusion MRI

Parkinson’s disease is a progressive neurodegenerative disorder affecting millions of people worldwide, yet current diagnostic tools remain limited, invasive, and costly. Magnetic Resonance Elastography (MRE) has emerged as a promising non-invasive technique capable of mapping brain stiffness, a biomechanical property altered in neurodegeneration. However, MRE is associated with high costs, limited accessibility, and complex acquisition protocols. As an alternative, Diffusion Magnetic Resonance Imaging (dMRI), particularly through advanced models such as Multidimensional Diffusion Magnetic Resonance Imaging, offers microstructural insights that may correlate with tissue stiffness. This thesis investigates the use of advanced diffusion-derived parameters to predict brain stiffness maps typically obtained through MRE. A deep learning model was developed to generate high-fidelity stiffness predictions from MRI data. The approach includes data pre-processing to ensure consistency, followed by training a 3D U-Net to identify the most informative input features through an ablation study, along with cross-validation on the best-performing combination. The results highlight mean diffusivity as the best-performing parameter, with an SSIM of 0.755±0.026, an MSE of (0.171±0.023)x10^(-2), and a PSNR of 22.894±0.606. However, most parameters showed comparable results, indicating that nearly all of them could predict a general stiffness map. The model was also trained in a patch-wise fashion to enhance the extraction of local information, thereby improving the resolution of the predictions. Visually, the results demonstrate better resolution in the predicted images, though with slightly worse evaluation metrics. The different methodologies were further assessed through a region-based analysis to evaluate performance at a more specific regional level. These findings represent an initial step toward replacing MRE with advanced diffusion imaging for stiffness estimation, potentially enabling earlier and more accessible diagnosis of Parkinson’s disease.

Il morbo di Parkinson è un disturbo neurodegenerativo progressivo che colpisce milioni di persone in tutto il mondo; tuttavia, gli attuali strumenti diagnostici rimangono limitati, invasivi e costosi. La Magnetic Resonance Elastography (MRE) si è affermata come una promettente tecnica non invasiva in grado di mappare la rigidità cerebrale, una proprietà biomeccanica alterata nei processi neurodegenerativi. Malgrado ciò, la MRE è associata a costi elevati, scarsa accessibilità e protocolli di acquisizione complessi. In alternativa, la Diffusion Magnetic Resonance Imaging, in particolare attraverso modelli avanzati come la Multidimensional Diffusion Magnetic Resonance Imaging, offre informazioni microstrutturali che potrebbero essere correlate con la rigidità dei tessuti. La presente tesi indaga l’utilizzo di parametri di diffusione avanzati derivati dalla Multidimensional Diffusion Magnetic Resonance Imaging per prevedere le mappe di rigidità cerebrale tipicamente ottenute tramite MRE. È stato sviluppato un modello di deep learning per generare predizioni ad alta fedeltà della rigidità a partire da dati di risonanza magnetica. L’approccio prevede una fase di pre-elaborazione dei dati per garantirne la coerenza, facilitando così l'apprendimento del modello. Questa fase è seguita dall’addestramento di una 3D U-Net volta a identificare le caratteristiche di input più informative attraverso uno studio di ablazione, accompagnato da una cross-validazione sulla combinazione più performante. I risultati evidenziano la diffusività media come parametro con le migliori prestazioni, con un indice SSIM di 0.755±0.026, un MSE di (0.171±0.023)x10^(-2) e un PSNR di 22.894±0.606. Tuttavia la maggior parte dei parametri ha mostrato risultati pressoché comparabili, indicando che quasi tutti sono in grado di predire una mappa generale della rigidità cerebrale. Il modello è stato inoltre addestrato con un approccio patch-wise per migliorare l’estrazione di informazioni locali, aumentando così la risoluzione delle predizioni. Visivamente, i risultati mostrano una migliore qualità nelle immagini predette, sebbene con metriche di valutazione leggermente peggiori. Le diverse metodologie sono state valutate mediante un’analisi basata sulle regioni, al fine di verificare le prestazioni ad un livello regionale più specifico. Questi risultati iniziali rappresentano un primo passo verso la sostituzione della MRE con tecniche di diffusione avanzate per la stima della rigidità, potenzialmente permettendo una diagnosi più precoce e accessibile della malattia di Parkinson.