Data-driven quantification and classification of diffusion and perfusion magnetic resonance data [Elektronische Ressource] / vorgelegt von Susanne Schnell

Sschnell

Sujets

• Informatik

Informations

• Publié par: albert-ludwigs-universitat_freiburg
• Publié le: 01 janvier 2010
• Nombre de lectures: 10
• Poids de l'ouvrage: 13 Mo

Extrait

Data-driven Quantification and Classification of Diffusion and
Perfusion Magnetic Resonance Data




Dissertation

zur

Erlangung des Doktorgrades
der Fakultät für Angewandte Wissenschaften
der Albert-Ludwigs-Universität
Freiburg im Breisgau


















Vorgelegt von

Susanne Schnell
aus Greifswald
20. Mai 2010










































Dekan: Prof. Dr. B. Nebel
Prüfungskommission: Prof. Dr. Hannelore Bast (Vorsitz)
JunProf. Dr. Olaf Ronneberger (Beisitz)
Prof. Dr. H. Burkhardt (Betreuer)
PD. Dr. Michael Markl (Prüfer)
Datum der Disputation: 26.11.2010

Contents

DEUTSCHE ZUSAMMENFASSUNG: DATEN-GETRIEBENDE QUANTIFIZIERUNG UND
KLASSIFIZIERUNG VON DIFFUSIONS- UND PERFUSIONS-MAGNETRESONANZDATEN.............1
KLASSIFIZIERUNG VON HARDI-DATEN IN GEWEBEARTEN MIT HILFE EINER SVM ................................................. 1
Einleitung............................................................................................................................................................ 1
Material und Methoden....................................................................................................................................... 2
Ergebnisse...................................... 3
Diskussion und Ausblick ........................................................................................................ 3
VORHERSAGE DER CHRONISCHEN SCHLAGANFALL-FOLGEN UNTER NUTZUNG MULTI-MODALER MRT-DATEN ...... 4
Einleitung....................................... 4
Material und Methoden............................. 5
Ergebnisse und Diskussion.................................................................................................................................. 5
DISKUSSION UND AUSBLICK..................................................................................................................................... 6
INTRODUCTION ............................................................................................8
1 FUNDAMENTALS OF MAGNETIC RESONANCE IMAGING AND PHYSIOLOGICAL
BACKGROUND..........................................................................................10
1.1. ANATOMY AND FUNCTIONS OF THE HUMAN BRAIN................................................................................... 10
1.2. MRI IN GENERAL....... 13
1.3. FUNCTIONAL APPLICATIONS OF MR IMAGING 13
1.3.1. Diffusion and its properties ................................................................................................................ 14
1.3.2. Diffusion weighted MR imaging ......................................................................................................... 16
1.3.3. Dw-MRI of the human brain............................................................................................................... 19
1.3.4. Perfusion Weighted Imaging............................................................................................................... 24
1.3.5. Diffusion and perfusion MR imaging in acute stroke ......................................................................... 29
1.3.6. State of the art of prediction algorithms for stroke outcome .............................................................. 33
2 BACKGROUND TO PATTERN RECOGNITION AND SUPERVISED LEARNING......................35
2.1 SUPERVISED LEARNING............................................................................................................................ 35
2.2 THE SUPPORT VECTOR MACHINE .............................................................................................................. 37
2.3 IMPACT ON SVM CLASSIFICATION USING IMBALANCED DATA ................................................................. 42
2.4 LOGISTIC REGRESSION AS CLASSIFIER 44
2.5 DATA SCALING AND NORMALISATION 45
3 CLASSIFICATION OF HARDI DATA INTO TISSUE TYPES USING A SVM ...............................48
3.1 INTRODUCTION......................................................................................................................................... 48
3.2 OUTLINE OF THE CLASSIFICATION TASK................................................................................................... 51
3.3 SIMULATED DATA SETS ........................................................................................................................... 51
IN VIVO HARDI MEASUREMENTS AND PRE-PROCESSING........................................................................................ 53
3.4 FEATURES AND PROCESSING OF HARDI DATA 54
3.5 CLASSIFICATION RESULTS AND COMPARISON WITH OTHER METHODS ..................................................... 57
3.6.1. Simulations ......................................................................................................................................... 57
3.6.2. In vivo results...................................................................................................................................... 59
3.6 DISCUSSION AND OUTLOOK ..................................................................................................................... 65
4 PREDICTION OF STROKE OUTCOME USING MULTI-MODAL ACUTE STROKE MRI DATA
..........................................................................................70
4.1 INTRODUCTION......................................................................................................................................... 70
4.2 MATERIALS AND METHODS...................................................................................................................... 70
4.2.1. MRI data acquisition .......................................................................................................................... 70
4.2.2. Processing of the acute stroke data .................................................................................................... 72
4.2.3. Training and testing data sets for the Classifiers ............................................................................... 73
4.2.4. Adjustment and usage of classifiers........ 78
4.3 RESULTS.................... 79
4.3.1. Statistical Analysis of the performance of the stroke outcome prediction algorithms......................... 79
4.3.2. Data and feature analysis of the nine patients .................................................................................... 82
4.3.3. Evaluation of the developed stroke lesion outcome prediction algorithms......................................... 90
4.4 DISCUSSION AND OUTLOOK.................................................................................................................... 104
5 SUMMARY.......................................................................................111
6 DISCUSSION AND OUTLOOK 113
INDEX ............................................................................................I
ABBREVIATIONS ........................................................................................................................................................ I
LIST OF FIGURES....................... III
LIST OF TABLES........................VI
CITED LITERATURE..................VII
OWN PUBLICATIONS .........................................................................................XI
JOURNAL PAPERS......................XI
CONFERENCE ABSTRACTS........XII
ACKNOWLEDGEMENTS ........................................................................................XV
Deutsche Zusammenfassung 1
_____________________________________________________________________________
Deutsche Zusammenfassung: Daten-getriebende
Quantifizierung und Klassifizierung von Diffusions- und
Perfusions-Magnetresonanzdaten

Die vorgestellte Arbeit ist in zwei Hauptteile strukturiert, die als Gemeinsamkeit die
funktionelle Anwendung der MR-Bildgebung und ihre neurologische Signifikanz haben. Die
Teile werden im Folgenden separat behandelt. Beide Teile bearbeiten ein Klassifikationsproblem
auf der Basis eines modellfreien oder daten-getriebenen Ansatzes, da die Hypothese lautet: die
zurzeit aktuellen abgeleiteten Modelle vereinfachen so stark, dass wichtige Informationen
verloren gehen.
Im ersten Teil wurde eine Lösung zum Klassifizieren von hochwinkelaufgelösten
diffusions-gewichteten MRT-Daten in alle Bildkomponenten auf mikroskopischer Ebene ohne
zusätzlich eine anatomische Messung zu benötigen. Im Speziellen heißt das, dass weiße
Hirnsubstanz in zwei mikroskopische Unterklassen aufgeteilt wird (kreuzende und parallele
Faserbündel). Diese Information könnte zum Beispiel für das sogenannte „Fibretracking“, wenn
man es in zwei Schritten durchführen würde, von Nutzen sein: die Regionen, die parallele Fasern
enthalten, könnten mit einem einfachen und schnellen "Streamline"-Algorithmus rekonstruiert
werden, wohingegen man sich auf R