Tensor-Basierte Adaptive Dekonvolution von Multi-Shell Diffusions-MR-Daten

• Antragsteller: Professor Dr.-Ing. Thomas Schultz
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2015 bis 2018
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 273590161

• Erstellungsjahr: 2019

Zusammenfassung der Projektergebnisse

Die diffusionsgewichtete Magnetresonanztomographie (dMRT) ermöglicht Untersuchungen der weißen Substanz des menschlichen Gehirns, die derzeit mit keinem anderen nichtinvasiven Verfahren möglich sind. Aus einer Beobachtung der natürlichen Wärmebewegung von Wassermolekülen wird hierbei einerseits auf Eigenschaften der biologischen Mikrostruktur geschlossen, die der Magnetresonanztomographie ansonsten nicht zugänglich waren; andererseits kann mit Traktographieverfahren der Verlauf der größeren Fasertrakte rekonstruiert werden. In der klinischen Forschung, in bevölkerungsbasierten Studien, sowie bei der Planung neurochirurgischer Eingriffe hat die dMRT daher inzwischen einen festen Platz. Zugleich geht mit der technischen Weiterentwicklung der MRT-Scanner der Einsatz neuer Diffusions-MRT-Sequenzen einher, die auch die mathematische Modellierung und Visualisierung vor neue Herausforderungen stellen. In diesem Zusammenhang hat unser Forschungsprojekt zu wesentlichen neuen Erkenntnissen und Methoden in mehreren Teilbereichen geführt, die eng mit dem ubergeordneten Thema “Tensor-Basierte Adaptive Dekonvolution von Multi-Shell Diffusions-MR-Daten” verknüpft sind. Erstens haben wir ein bestehendes mathematisches Modell von Faserkreuzungsvoxeln in Diffusions-MR-Daten weiterentwickelt und verallgemeinert. Es basiert auf einer Approximation von Tensoren höherer Stufe mit niedrigem Rang und war bisher nur auf Diffusions-Daten mit hoher Winkelauflösung bei einer festen Starke der Diffusionswichtung (single-shell HARDI) anwendbar. Die Erweiterung kann nunmehr auch verschieden starke Diffusionswichtungen (multi-shell bzw. Diffusion Spectrum Imaging) berucksichtigen und auf dieser Grundlage Partialvolumeneffekte von grauer Substanz und Cerebrospinalflüssigkeit modellieren. Zudem haben wir eine effiziente positive Definitheitsbedingung (H-psd) für durch Tensoren repräsentierte Faserverteilungsfunktionen hergeleitet, implementiert und praktisch erprobt. Auf diesen Ergebnissen konnten wir bereits unmittelbar aufbauen, um mehrere weitergehende Fragestellungen zu verfolgen. Insbesondere haben wir uns dabei der prädiktiven Modellierung auf Grundlage von dMRT-Daten sowie der Frage gewidmet, inwiefern Faserkreuzungen in der weißen Substanz Flächenstrukturen ausbilden. Zweitens haben wir eine Variante des Diffusions-Kurtosis-Modells entwickelt, die explizit Faserkreuzungen berücksichtigt und dadurch die Interpretierbarkeit der abgeleiteten Parameter in Kreuzungsregionen verbessert. Drittens haben wir auf Grundlage von Verfahren aus dem Bereich Compressive Sensing Algorithmen entwickelt um Messungen zu erkennen, die von Bewegungsartefakten betroffen sind und diese aus den übrigen Messwertern heraus zu rekonstruieren. Die Herleitung eines Regularisierungsterms aus entrauschenden Autoencodern haben wir als weitere Möglichkeit erprobt, bei Messdaten geringer Winkelauflösung oder Diffusionswichtung zu einer verbesserten Schatzung von Faserrichtungen zu kommen. Insgesamt konnten wir somit nicht nur die zentralen Ziele des Arbeitsprogramms umsetzen, sondern insbesondere durch die Einbeziehung engagierter Master-Studenten daruber hinaus zusätzliche Fragen bearbeiten, die mit dem ursprünglichen Vorhaben in engem Zusammenhang stehen.

Projektbezogene Publikationen (Auswahl)

• “Quantifying Microstructure in Fiber Crossings with Diffusional Kurtosis.” In: Proc. Medical Image Computing and Computer Assisted Intervention (MICCAI) Part I, LNCS, Vol. 9349, 150–157, 2015
  M. Ankele, T. Schultz
  (Siehe online unter https://doi.org/https://doi.org/10.1007/978-3-319-24553-9_19)
• “Iteratively Reweighted L1-Fitting for Model-Independent Outlier Removal and Regularization in Diffusion MRI.” In: Proc. IEEE Symp. Biomedical Imaging (ISBI), 911–914, 2016
  A. Tobisch, T. Stöcker, S. Gröschel, T. Schultz
  (Siehe online unter https://doi.org/10.1109/ISBI.2016.7493413)
• “BundleMAP: Anatomically Localized Classification, Regression, and Statistical Analysis in Diffusion MRI.” Pattern Recognition 63:593–600, 2017
  M. Khatami, T. Schmidt-Wilcke, P. Sundgren, A. Abbasloo, B. Scholkopf, T. Schultz
  (Siehe online unter https://doi.org/10.1016/j.patcog.2016.09.020)
• “Versatile, Robust, and Efficient Tractography With Constrained Higher-Order Tensor fODFs.” Int’l J. of Computer Assisted Radiology and Surgery 12(8):1257–1270, 2017
  M. Ankele, L.-H. Lim, S. Gröschel, T. Schultz
  (Siehe online unter https://doi.org/10.1007/s11548-017-1593-6)
• “Better Fiber ODFs From Suboptimal Data With Autoencoder Based Regularization.” Proc. Medical Image Computing and Computer Assisted Intervention (MICCAI) Part III, LNCS, Vol. 11072, 55–62, 2018
  K. Patel, S. Gröschel, T. Schultz
  (Siehe online unter https://doi.org/10.1007/978-3-030-00931-1_7)
• “DT-MRI Streamsurfaces Revisited.” IEEE Trans. on Visualization and Computer Graphics 25(1):1112–1121, 2019
  M. Ankele, T. Schultz
  (Siehe online unter https://doi.org/10.1109/TVCG.2018.2864845)