Robust estimation of diffusion tensor and diffusion kurtosis imaging parameters

Datum: 23 oktober 2018

Locatie: Campus Middelheim, G0.10 - Middelheimlaan 1 - 2020 Antwerpen (route: UAntwerpen, Campus Middelheim)

Tijdstip: 16.15 uur

Organisatie / co-organisatie: Departement Fysica

Promovendus: Quinten Collier

Promotor: Jan Sijbers & Jelle Veraart

Korte beschrijving: Doctoraatsverdediging Quinten Collier - Faculteit Wetenschappen, Departement Fysica



Abstract

Diffusie magnetische resonantie beeldvorming (dMRI) is in de eerste plaats een medische beeldvormingstechniek die ons in staat stelt om in vivo en niet-invasief de diffusie van watermoleculen in biologisch weefsel te kwantificeren. Dit unieke vermogen om informatie over de microstructuur van levend weefsel te verkrijgen, maakt van dMRI een zeer waardevolle onderzoeksmethode voor zowel preklinisch onderzoek, alsook voor gebruik in de klinische praktijk. dMRI beelden worden vaak gecombineerd in diffusiemodellen waardoor parameters gegenereerd worden die kunnen dienen als biomarkers voor verscheidene pathologische veranderingen. Het werk voorgesteld in dit proefschrift, focust op het ontwikkelen van robuuste methoden voor het schatten van modelparameters van twee specifieke modellen, diffusie tensor beeldvorming (DTI) en diffusie kurtosis beeldvorming (DKI), zonder in te leveren op de precisie of accuraatheid van de parameterschattingen.

Voor dit werk worden twee verschillende aspecten van robuustheid beschouwd. Enerzijds stellen we het iterative reweighted linear least squares (IRLLS) raamwerk voor, met als doel het automatisch identificeren en elimineren van signaaluitschieters om zo een robuuste schatting van de DTI of DKI diffusiemodelparameters te verkrijgen. Deze signaaluitschieters zijn vaak het gevolg van verscheidene beeldartefacten en kunnen de parameterschatting dusdanig beïnvloeden dat, indien ze niet behandeld worden, de data niet langer bruikbaar is. Anderzijds heeft typische dMRI data ook te maken met een lage spatiale resolutie, waardoor voxels vaak verschillende substanties bevatten. Deze partieel volume effecten zijn vooral problematisch wanneer een deel van de voxel vrij diffunderend water bevat. Daarom wordt in dit werk het DKI-FWE model voorgesteld, met als doel de signaalcontributies van weefsel en vrij diffunderend water te scheiden. Om met de slechte conditionering van het model om te gaan, worden twee oplossingen aangewend. De eerste oplossing pakt het probleem van de slechte conditionering aan op het parameterschattingsniveau, door gebruik te maken van een Bayesiaanse parameterschattingstechniek met een krimpende prior (BSP). De andere oplossing stelt voor om een rijkere dataset op te nemen waarin ook verschillende echotijden opgenomen worden. Het inbouwen van deze extra informatie in het diffusiemodel, nu het T2-DKI-FWE model genoemd, leidt tot een stabieler parameterschattingsprobleem.



Link: https://www.uantwerpen.be/wetenschappen