Development of a Resource-Efficient 3D U-Net Architecture for Hippocampus Segmentation using CLAHE and SCE-3DWT = CLAHE 및 SCE-3DWT를 이용한 해마 분할을 위한 자원 효율적인 3D U-Net 아키텍처 개발

다국어 초록 (Multilingual Abstract)

Accurate segmentation of the hippocampus from magnetic resonance imaging (MRI) data is a key requirement for detecting, diagnosing, and monitoring neurodegenerative disorders, particularly Alzheimer’s disease. Deep learning has advanced this field substantially; however, limited-size datasets still hinder model generalization and frequently cause overfitting. The present research develops a resource-efficient and high-accuracy three-dimensional U-Net architecture specifically designed for hippocampal segmentation under constrained data conditions. The proposed pipeline integrates 3D Contrast-Limited Adaptive Histogram Equalization (CLAHE) with a Selective Coefficient-Enhanced 3D Wavelet Transform (SCE-3DWT) to enhance local contrast and suppress image noise, thereby improving feature extraction. Experiments were performed using the EADC-ADNI HarP dataset consisting of 135 hippocampal MRI volumes (input size 64 × 64 × 96 voxels). The model achieved a Dice coefficient of 0.8838 and a Jaccard index of 0.7920, outperforming several recent state-of-the-art approaches. Comparative evaluation further demonstrated low segmentation errors, with an Over- Segmentation Ratio (OSR) of 0.0594 and an Under-Segmentation Ratio (USR) of 0.0569, confirming strong robustness and generalization capability. The architecture Faizaan Fazal Khan Advisor: Prof. Goo-Rak Kwon Dept. of Information and Communication Engineering Chosun University Graduate School employs a maximum filter depth of 512 and functions efficiently without transfer learning, ensuring computational accessibility for a wider range of research and clinical settings. Future investigations will incorporate post-processing enhancements, expand dataset diversity, and evaluate higher-resolution volumetric data to further improve segmentation precision and clinical relevance. Overall, this work contributes a practical, resource-conscious framework for hippocampus segmentation and supports continued progress in medical image analysis for improved Alzheimer’s disease assessment and management.

국문 초록 (Abstract)

자기공명영상(MRI) 데이터에서 해마를 정확하게 분할하는 것은 신경퇴행성 질환, 특히 알츠하이머병을 탐지, 진단 및 모니터링하는 데 필수적인 요소입니다. 딥러닝은 이 분야를 크게 발전시켰지만, 제한된 크기의 데이터셋은 여전히 모델 일반화를 저해하고 과적합을 자주 유발합니다. 본 연구에서는 제한된 데이터 조건에서 해마 분할을 위해 특별히 설계된 리소스 효율적이고 정확도가 높은 3차원 U-Net 아키텍처를 개발합니다. 제안된 파이프라인은 3D 대비 제한 적응 히스토그램 평활화(CLAHE)와 선택적 계수 향상 3D 웨이블릿 변환(SCE-3DWT)을 통합하여 국소 대비를 향상시키고 이미지 노이즈를 억제함으로써 특징 추출 성능을 개선합니다. 실험은 135개의 해마 MRI 볼륨(입력 크기 64 × 64 × 96 복셀)으로 구성된 EADC- ADNI HarP 데이터셋을 사용하여 수행되었습니다. 이 모델은 다이스 계수 0.8838과 자카드 지수 0.7920을 달성하여 최근 여러 최첨단 접근법보다 우수한 성능을 보였습니다. 비교 평가 결과, 과분할비(OSR) 0.0594와 과소분할비(USR) 0.0569로 낮은 분할 오류를 나타내어 강력한 강건성과 일반화 능력을 확인했습니다. 이 아키텍처는 최대 512의 필터 심도를 사용하며 전이 학습 없이 효율적으로 작동하여 더 광범위한 연구 및 임상 칸 파이잔 파잘 지도교수: 권구락 교수 정보통신공학과 조선대학교 대학원 환경에서 계산적 접근성을 보장합니다. 향후 연구에서는 후처리 개선, 데이터세트 다양성 확대, 고해상도 체적 데이터 평가를 통해 분할 정밀도와 임상적 관련성을 더욱 향상시킬 것입니다. 전반적으로, 이 연구는 해마 분할을 위한 실용적이고 자원 효율적인 프레임워크를 제공하며, 알츠하이머병 평가 및 관리 개선을 위한 의료 영상 분석 분야의 지속적인 발전을 지원합니다.

목차 (Table of Contents)

• 1. Introduction 1
• 1.1 Background and Motivation 1
• 1.2 Problem Definition 2
• 1.3 Research Objectives 3
• 1.4 Significance and Scope of Study 3
• 1.5 Organization of the Thesis 4
• 2. Data Acquisition 5
• 2.1 Source of Dataset (ADNI and EADC-ADNI HarP) 5
• 2.2 EADC-ADNI HarP Dataset Description 6
• 2.3 Dataset Size, Format, and Resolution 6
• 2.4 Image Intensity Distribution and Contrast 7
• 2.5 Label Distribution and Representation 8
• 3. Proposed Methodology 11
• 3.1 Preprocessing Techniques 11
• 3.1.1 Three-Dimensional Contrast Limited Adaptive Histogram Equailization (CLAHE) 12
• 3.1.2 Selective Coefficient-Enhanced 3D Wavelet Transform (SCE-3DWT) 14
• 3.1.3 Impact of Preprocessing Techniques 16
• 3.2 Overall Architecture 19
• 3.3 3D UNET Model 21
• 4. Training And Evaluation 24
• 4.1 Training Metrics 24
• 4.2 Evaluation Metrics 27
• 4.2.1 Dice Coefficient 27
• 4.2.2 Jaccard Index (Intersection over Union IoU) 27
• 4.2.3 F1 Score 28
• 4.2.4 Overlap-to-Signal Ratio (OSR) 28
• 4.2.5 Under-Segmentation Ratio (USR) 29
• 4.2.6 Hausdorff Distance (HD) 29
• 4.3 Training And Validation results 30
• 4.3.1 Training and Validation Loss 30
• 4.3.2 Training and Validation Accuracy 31
• 4.3.3 Training and Validation Dice Coefficient 32
• 4.3.4 Training and Validation Jaccard Index. 33
• 4.3.5 F1 Score 34
• 4.3.6 Training and Validation Over-Segmentation Ratio (OSR) 35
• 4.3.7 Training and Validation Under-Segmentation Ratio (USR) 36
• 4.3.8 Training and Validation Hausdorff Distance (HD) 36
• 5. Results 38
• 5.1 Experimental Environment 38
• 5.2 Quantitative Results 39
• 5.3 Visualization of Segmentation Results 40
• 5.3.1 2D Heatmap Representation 41
• 5.3.2 3D Voxel Representation 41
• 5.4 COMPARATIVE ANALYSIS 43
• 5.4.1 Dataset and Image Size 45
• 6. Discussion 46
• 7. Conclusion 49
• Acknowledgements 50
• References 51