This thesis addresses the automated segmentation of the human olfactory bulb (OB) using deep learning techniques on MRI data. The olfactory bulb, a crucial structure for the sense of smell, is small and challenging to locate and segment manually. This project aims to develop an automated, fast, and accurate segmentation pipeline using the FastSurferCNN algorithm on T2- weighted MRI images from the Human Connectome Project (HCP) dataset. The methodology involves an atlas-guided model design, quality control, and validation stages. The proposed pipeline consists of three stages: (1) Localization of the forebrain region containing the OB using a down-sampled FastSurferCNN model to provide a quick segmentation and compute the centroid coordinates of the region of interest. A final localized volume centered at this coordinate is cropped or resampled from the input image. (2) Segmentation of the OB tissue within this cropped volume by four AttFastSurferCNNs trained under different conditions, with the results averaged to create an ensemble segmentation. This ensemble approach ensures high agreement among models and reduces variance. (3) Post-processing step to split the right and left OB, which were combined during segmentation. The pipeline’s performance is evaluated against the U-Net algorithm, showing significant improvements in segmentation accuracy and efficiency. The automated method not only matches the accuracy of manual annotations but also provides a scalable solution for assessing OB volume, essential for studying olfactory dysfunction related to neurodegenerative diseases such as Alzheimer’s and Parkinson’s. In conclusion, this project demonstrates the potential of deep learning algorithms in medical image segmentation, offering a reliable, efficient, and automated tool for OB segmentation. This work contributes to the field by providing a scalable solution for researchers and clinicians, enabling more detailed analyses of olfactory functions and their correlations with neurological conditions.

Denna avhandling behandlar automatisk segmentering av den mänskliga luktbulben med hjälp av deep learning-tekniker på MRI-data. Luktbulben, en viktig struktur för luktsinnet, är liten och svår att lokalisera och segmentera manuellt. Detta projekt syftar till att utveckla en automatiserad, snabb och exakt segmenteringspipeline med hjälp av FastSurferCNN-algoritmen på T2- viktade MRI-bilder från Human Connectome Project (HCP)-datamängden. Metodiken involverar en atlasstyrd modellutformning, kvalitetskontroll och valideringssteg. Den föreslagna pipelinen består av tre steg: (1) Lokalisering av framhjärnans region som innehåller luktbulben med hjälp av en nedskalad FastSurferCNN-modell för att snabbt segmentera och beräkna centroidkoordinaterna för det intressanta området. En slutlig lokaliserad volym centrerad vid denna koordinat beskärs eller omprovs från inmatningsbilden. (2) Segmentering av luktbulbens vävnad inom denna beskurna volym genom fyra AttFastSurferCNNs som tränats under olika förhållanden, där resultaten medelvärderas för att skapa en ensemble-segmentering. Detta ensembletillvägagångssätt säkerställer hög överensstämmelse mellan modeller och minskar variationen. (3) Efterbehandlingssteg för att dela höger och vänster luktbulben, som kombinerades under segmenteringen. Pipeline-prestandan utvärderas mot U-Net-algoritmen och visar betydande förbättringar i segmenteringsnoggrannhet och effektivitet. Den automatiserade metoden matchar inte bara noggrannheten hos manuella annotationer utan ger också en skalbar lösning för att bedöma luktbulbens volym, vilket är viktigt för att studera luktdysfunktion relaterad till neurodegenerativa sjukdomar som Alzheimers och Parkinsons. Sammanfattningsvis visar detta projekt potentialen för deep learningalgoritmer inom medicinsk bildsegmentering och erbjuder ett tillförlitligt, effektivt och automatiserat verktyg för luktbulbens segmentering. Detta arbete bidrar till området genom att tillhandahålla en skalbar lösning för forskare och kliniker, vilket möjliggör mer detaljerade analyser av luktsinnesfunktioner och deras samband med neurologiska tillstånd.