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

Als Bildgebungsmodalitaet fuer das menschliche Gehirn erfreut sich die diffusionsgewichtete Magnetresonanztomographie (dMRT) grosser Beliebtheit. In juengerer Zeit wird es zunehmend ueblich, so genannte Multi-Shell-Daten zu erheben, d.h. Messungen mit unterschiedlich starker Diffusionswichtung durchzufuehren. Im Rahmen des vorliegenden Forschungsplans werden wir ein mathematisch fundiertes und effizientes Verfahren entwickeln, mit dem aus derartigen Daten neue quantitative Parameter abgeleitet werden koennen, die Rueckschlusse auf die Mikrostruktur des Gewebes ermoeglichen. Diese werden auch an den Stellen sinnvoll interpretierbar bleiben, wo Nervenfasern sich kreuzen oder auffaechern.Der wissenschaftliche Beitrag gliedert sich in drei Aspekte: Zunaechst soll ein bestehendes Modell zur sphaerischen Dekonvolution von Single-Shell-Daten mittels Tensoren hoeherer Stufe auf die komplexeren Multi-Shell-Daten erweitert werden. Wir werden eng mit einem Partner aus der angewandten Mathematik zusammenarbeiten, um die formale Korrektheit dieses Ansatzes abzusichern. Darueber hinaus ist durch die Tensor-Darstellung eine stringentere Regularisierung der Dekonvolution selbst und somit eine hoehere Robustheit gegenueber Messrauschen und -fehlern zu erwarten.Das zweite Ziel unseres Vorhabens betrifft den Dekonvolutionskern, der ein wichtiger Kalibrierungsparameter des Modells ist und ueblicherweise als ueber das ganze Gehirn hinweg konstant angenommen wird. Wir haben juengst einen adaptiven Dekonvolutionsalgorithmus vorgeschlagen, der einen raeumlich variierenden Kern ermoeglicht. In Zusammenarbeit mit einem klinischen Partner hat sich herausgestellt, dass es im Fall neurodegenerativer Erkrankungen so moeglich wird, den Kern an die von der Krankheit betroffenen Hirnregionen anzupassen. Diesen Ansatz werden wir so erweitern, dass er die Tensor-basierte Dekonvolution aus dem ersten Teil ausnutzt, durch eine raeumliche Regularisierung die Stabilitaet verbessert und schliesslich die im Multi-Shell-Fall hoehere Zahl von Kernparametern ermoeglicht. Das resultierende Verfahren wird nicht nur eine beliebige Verteilung von Nervenfaserrichtungen zulassen, sondern auch mehrere neue quantitative Parameter der Mikrostruktur liefern, die kuenftig zu einem genaueren Verstaendnis von Krankheiten und Lernprozessen beitragen koennen.Das dritte Ziel ist es schliesslich, ein Messprotokoll zu etablieren, das innerhalb moeglichst kurzer Messzeit eine verlaessliche Schaetzung des im zweiten Teil entwickelten Modells ermoeglicht. Unser Ziel ist eine Messzeit von unter 15 Minuten, damit unser Ansatz nicht nur neurowissenschaftlich, sondern auch klinisch einsetzbar ist. Um dies zu erreichen werden wir auf aktuelle Arbeiten aus dem Bereich Compressive Sensing in der Diffusions-MRT zurueckgreifen.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: USA
• Kooperationspartner: Professor Dr. Samuel Gröschel; Professor Lek-Heng Lim, Ph.D.