This thesis explores the generalizability of an automated deep learning algorithm with a U-Net architecture specifically tailored for human olfactory bulb (OB) segmentation. The study focuses on enhancing the performance of the segmentation tool through the implementation of targeted modifications, which are threshold adjustment and designing postprocessing constraints with the aim to successfully annotate the entire Human Connectome Project Young Adult (HCP-YA) dataset (n=1101, age 22-35 years). Extensive validation was conducted using multiple datasets to assess the algorithm's performance and its ability to generalize across different datasets with different scanning parameters. The results show a remarkably low percentage (5.8%) of missegmentations within the HCP-YA dataset and improvements in segmentation performance by reduction of over-segmentation. These enhancements do not only streamline the segmentation process but also increase the potential for using OB volume as a biomarker for neurodegenerative diseases. This thesis contributes to the field of medical image analysis by improving the performance and efficiency of OB segmentation tools, with strong implications for both research and clinical applications in diagnosing neurodegenerative disease.

Detta examensarbete utreder generaliserbarheten hos en automatiserad djupinlärningsalgoritm med en U-Net-arkitektur, speciellt anpassad för segmentering av den mänskliga luktbulben. Studien fokuserar på att förbättra segmenteringsnoggrannheten genom implementering av riktade modifieringar, såsom tröskeljustering och utformning av efterbehandlingsrestriktioner i syfte att framgångsrikt annotera hela Human Connectome Project Young Adult (HCP-YA) datasetet (n=1101, ålder 22-35 år). Omfattande validering genomfördes med flera dataset för att bedöma algoritmens prestanda och dess förmåga att generalisera över olika dataset med olika skanings parametrar. Resultaten visar en anmärkningsvärt låg andel (5,8%) av felaktiga segmenteringar inom HCP-YA-datasetet samt förbättringar i segmenteringsnoggrannhet genom minskning av översegmentering. Dessa förbättringar strömlinjeformar inte bara segmenteringsprocessen utan ökar också potentialen att använda volymen av luktbulben som biomarkör för neurodegenerativa sjukdomar. Detta arbete bidrar till området medicinsk bildanalys genom att förbättra noggrannheten och effektiviteten hos verktyg för segmentering av luktbulben, med starka implikationer för både forskningsmässiga och kliniska tillämpningar vid diagnostisering av neurodegenerativa sjukdomar.