Tipus de document
Treball de fi de grauData de publicació
Llicència de publicació
Si us plau utilitzeu sempre aquest identificador per citar o enllaçar aquest document: https://hdl.handle.net/2445/230434
Brain Age Estimation from Structural MRI: Development of a Machine Learning Pipeline and Clinical Applications
Títol de la revista
Autors
Director/Tutor
ISSN de la revista
Títol del volum
Recurs relacionat
Resum
[eng] The human brain undergoes progressive structural changes across the lifespan that can be quantified using neuroimaging. In this context, brain age prediction has emerged as a useful approach to estimate biological age from magnetic resonance image (MRI) data. Thus, the Brain Age Gap (BAG), defined as the difference between model-estimated brain age and chronological age, has been proposed as an exploratory biomarker of brain health.
This study focuses on developing and validating a machine learning (ML) pipeline for brain age estimation using morphometric features extracted from T1-weighted MRI. A multicenter dataset of 2,163 healthy individuals aged 55 to 85 years was collected from different sources, harmonized, and used to train several regression models. Among the tested approaches, Support Vector Regression (SVR) showed the best balance between accuracy and generalization, achieving a mean absolute error of 3.08 years. To improve interpretability and reduce age-related bias, a post hoc adjustment based on Locally Weighted Scatterplot Smoothing (LOWESS) was applied to the predicted values. This allowed the calculation of a corrected BAG. The most informative features were mainly global structural measures, including cerebrospinal fluid, ventricular and subcortical volumes. The final model was also tested in clinical cohorts of schizophrenia and Alzheimer’s disease, where both groups showed higher BAG values than healthy controls, suggesting accelerated brain aging. Finally, a graphical user interface was created to support individual-level application of the model. This work provides a robust and reproducible framework for studying brain aging and opens the door to future multimodal and longitudinal extensions.
[cat] El cervell humà experimenta canvis estructurals progressius al llarg de la vida que es poden quantificar mitjançant neuroimatge. En aquest context, la predicció de l’edat cerebral ha emergit com un enfocament útil per estimar l’edat biològica a partir de dades d’imatge per ressonància magnètica (RM). Així, el Brain Age Gap (BAG), definit com la diferència entre l’edat cerebral estimada pel model i l’edat cronològica, s’ha proposat com un biomarcador exploratori de la salut cerebral. Aquest estudi se centra en el desenvolupament i la validació d’un pipeline d’aprenentatge automàtic per a l’estimació de l’edat cerebral mitjançant característiques morfomètriques extretes de RM ponderada en T1. Es va recopilar un conjunt de dades multicèntric de 2.163 individus sans d’entre 55 i 85 anys, procedents de diferents fonts, que es va harmonitzar i utilitzar per entrenar diversos models de regressió. D’entre els enfocaments analitzats, la Support Vector Regression (SVR) va mostrar el millor equilibri entre precisió i generalització, assolint un error absolut mitjà de 3,08 anys. Per millorar la interpretabilitat i reduir el biaix relacionat amb l’edat, es va aplicar un ajust basat en Locally Weighted Scatterplot Smoothing (LOWESS) als valors predits. Això va permetre calcular un BAG corregit. Les característiques més informatives van ser principalment mesures estructurals globals, incloent-hi els volums de líquid cefaloraquidi, ventricles i estructures subcorticals. El model final també es va avaluar en cohorts clíniques amb pacients amb diagnòstic d’esquizofrènia i malaltia d’Alzheimer, on ambdós grups van mostrar valors de BAG més alts que els controls sans, suggerint un envelliment cerebral accelerat. Finalment, es va crear una interfície gràfica d’usuari per facilitar l’aplicació del model a nivell individual. Aquest treball proporciona un marc robust i reproduïble per a l’estudi de l’envelliment cerebral i obre la porta a futures extensions multimodals i longitudinals.
Descripció
Treballs Finals de Grau d'Enginyeria Biomèdica. Facultat de Medicina i Ciències de la Salut. Universitat de Barcelona. Curs: 2025-2026. Tutor/Director: Roser Sala Llonch, Bàrbara Segura
Matèries (anglès)
Citació
Citació
DOMÍNGUEZ GALCERAN, Mar. Brain Age Estimation from Structural MRI: Development of a Machine Learning Pipeline and Clinical Applications. [consulted: 24 of August of 2026]. Available at: https://hdl.handle.net/2445/230434