Visualisierung von Daten der Diffusions-Propagator-Bildgebung

• Antragsteller: Professor Dr.-Ing. Thomas Schultz
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2019 bis 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 422414649

• Erstellungsjahr: 2024

Zusammenfassung der Projektergebnisse

Die diffusionsgewichtete Magnetresonanztomographie ist zur Bildgebung der weißen Substanz des Gehirns in Forschung und Klinik fest etabliert. In den letzten Jahren wird die Diffusion vermehrt nicht mehr nur mit hoher Winkelauflösung, sondern auch mit unterschiedlich starker Gewichtung gemessen. Die aus solchen Daten geschätzten Diffusions-Propagatoren enthalten detailliertere Informationen über die Mikrostruktur des Gewebes. In diesem Projekt haben wir neue Ansätze zur Visualisierung dieser komplexen Daten etabliert, die insbesondere geeignete Repräsentationen, die Reduzierung verschiedener Arten von Unsicherheit sowie die vergleichende Visualisierung mehrerer Datensätze berücksichtigen. Als Erstes haben wir ein System zum Volumen-Rendering dieser Daten entwickelt. Eine geeignete dimensionsreduzierte Repräsentation haben wir hierbei datengetrieben mit einer unüberwacht trainierbaren neuronalen Netzwerkarchitektur erlernt, deren Struktur wir so entworfen haben, dass sichergestellt ist, dass beim interaktiven Erlernen einer Transferfunktion mit einem Random Forest sowohl lokale als auch regionale Merkmale zur Verfügung stehen. Zweitens haben wir Ansätze entwickelt, um unterschiedliche Arten von Unsicherheiten zu reduzieren, die die Visualisierung mittels verbreiteter Traktographie-Verfahren beeinträchtigen. Hierbei zeigte sich, dass die bislang wenig beachtete Modellunsicherheit relevante Auswirkungen auf die Vollständigkeit von Traktographie-Ergebnissen hat und dass sie sich durch das gewichtete Mitteln der Ergebnisse mehrerer Modelle wirksam reduzieren lässt. Außerdem haben wir zwei neue Ansätze zur Reduzierung der Datenunsicherheit entwickelt, die sich aus dem Messrauschen ergibt: einerseits durch gemeinsame Approximation von fODF-Tensoren in einer räumlichen Nachbarschaft, andererseits durch Kombination der Tensor-Approximation mit einem Unscented Kalman Filter (UKF). Beide Ansätze konnten wir erfolgreich auch auf klinischen Datensätzen unseres Kollaborationspartners evaluieren. Schließlich haben wir den UKF-basierten Ansatz so erweitert, dass er nicht nur Kreuzungen, sondern auch das Auffächern von Faserbündeln berücksichtigt. Dies führte zu einer vollständigeren Rekonstruktion entsprechender Trakte. Unser drittes Ziel war es, diesen umfangreichen und komplexen Datensätzen mittels vergleichender Visualisierung möglichst zeitsparend diagnostisch relevante Informationen zu entnehmen. Als ersten Schritt in diese Richtung haben wir ein System entwickelt, das die in einer gesunden Kontrollgruppe auftretende Variabilität mathematisch modelliert, um den Nutzer gezielt auf Abweichungen von dieser aufmerksam machen zu können. Die genauere Analyse unterstützt es mittels einer sogenannten Anomalie-Linse. Dieses System nutzt bislang noch eine herkömmliche Diffusions-Tensor-Repräsentation, um auf möglichst viele klinische Datensätze anwendbar zu sein.

Projektbezogene Publikationen (Auswahl)

• “Interactive Classification of Multi-Shell Diffusion MRI With Features From a Dual-Branch CNN Autoencoder.” Proc. EG Workshop on Visual Computing for Biology and Medicine (VCBM) 1-11, 2020. Honorable Mention Award.
  A. Torayev & T. Schultz
  
• “Reducing Model Uncertainty in Crossing Fiber Tractography.” Proc. EG Workshop on Visual Computing for Biology and Medicine (VCBM) 55-64, 2021. Best Paper Award.
  J. Gruen, G. van der Voort & T. Schultz
  
• Model Averaging and Bootstrap Consensus‐based Uncertainty Reduction in Diffusion MRI Tractography. Computer Graphics Forum, 42(1), 217-230.
  Gruen, J.; van der Voort, G. & Schultz, T.
  
• Parcellation-Free prediction of task fMRI activations from dMRI tractography. Medical Image Analysis, 76, 102317.
  Khatami, Mohammad; Wehler, Regina & Schultz, Thomas
  
• Anisotropic Fanning Aware Low-Rank Tensor Approximation Based Tractography. Lecture Notes in Computer Science, 140-151. Springer Nature Switzerland.
  Gruen, Johannes; Sieg, Jonah & Schultz, Thomas
  
• Spatially regularized low-rank tensor approximation for accurate and fast tractography. NeuroImage, 271, 120004.
  Gruen, Johannes; Groeschel, Samuel & Schultz, Thomas
  
• “Detection and Visual Analysis of Pathological Abnormalities in Diffusion Tensor Imaging with an Anomaly Lens.” In: Proc. EuroVis Short Papers, 43–47, 2023.
  M. Bareth, S. Groeschel, J. Gruen, P. Pretzel & T. Schultz