Erforschung neuartiger Ansätze des Deep Learning für die Diffusionsbildgebung
Motivation
Mit Hilfe der Diffusionsbildgebung (basierend auf der Magnetresonanztomographie) können Informationen über den Verlauf neuronaler Bahnen gewonnen werden. Neuronale Bahnen sind wichtige Strukturen im Gehirn, die integrativen Funktionen, z.B. im Bereich der Motorik oder Sensorik, zugeordnet sind. In der Neurochirurgie ist die Diffusionsbildgebung von großem Wert, da bei einer Gehirnoperation im Falle pathologischer Veränderungen (Tumor) die Nervenbahnen nicht verletzt werden dürfen, um neurologischen Defizite zu vermeiden.
Wissenschftliche Fragestellungen
Zentral für die Auswertung von Diffusionsbilddaten ist die Beschreibung der lokalen Diffusionseigenschaften mit einem passenden Modell.
Mit aus den Modellen berechneten skalaren Diffusionsmetriken lassen sich Unregelmäßigkeiten finden und Vergleiche zwischen erkrankten und gesunden Patient*innen ziehen
Komplexere abgeleitete Orientierungsfunktionen können als Grundlage für die Traktographie genutzt werden.
Weitere spezifischere Fragestellungen beschäftigen sich unter anderem mit:
Harmonisierung: Diffusions-MRT-Aufnahmen unterschiedlicher Scanner können sich stark unterscheiden. Der Unterschied zwischen verschiedenen Scannern ist oft größer als der Unterschied zwischen gesunden und kranken Patient*innen. Eine wichtige Fragestellung ist demnach die Harmonisierung zwischen verschiedenen Scannern, um eine Vergleichbarkeit verschiedener Daten zu ermöglichen.
Deep Learning Ansätze zur Berechnung von Diffusionseigenschaften: Fortschrittliche Algorithmen und Modelle zur akkuraten Analyse von Diffusions-MRT Daten sind oft auf klinischen Daten, die in begrenzter Zeit aufgenommen werden müssen, nicht anwendbar. Mit Hilfe von Deep-Learning Ansätzen soll es möglich werden akkuratere Ergebnisse auch auf klinischen Daten zu erzielen.
Traktographie: Mit Hilfe von Traktographie können Faserbahnen in der weißen Materie des Gehirns nicht-invasiv beschrieben werden. So kann nachvollzogen werden, wo und wie Bahnen in der weißen Materie verlaufen und welche Teile des Gehirns sie verbinden. Die Rekonstruktion neuronaler Strukturen aus DT-MRT-Daten ist jedoch aufgrund der Komplexität der vorliegenden Diffusionsinformation nicht trivial. Die Entwicklung und Weiterentwicklung von Tracktographiealgorithmen, auch mit Hilfe von Deep Learning Ansätzen, ist ein fortbestehender Bestandteil der Forschung.
Abschlussarbeiten
Es werden regelmäßig neue Abschlussarbeiten im Bereich Diffusionsbildgebung ausgeschrieben. Neben der Gesamtübersicht gibt es auch noch zahlreiche, noch nicht ausgeschriebene Themen, die gerne im persönlichen Gespräch vorgestellt werden.
Chantal MW Tax, Francesco Grussu, Enrico Kaden, Lipeng Ning, Umesh Rudrapatna, John Evans, Samuel St-Jean, Alexander Leemans, Simon Koppers, Dorit Merhof and others
Cross-scanner and cross-protocol diffusion MRI data harmonisation: A benchmark database and evaluation of algorithms
Daniela Kuhnt, Miriam H.A. Bauer, Jens Sommer, Dorit Merhof and Christopher Nimsky
Optic Radiation Fiber Tractography in Glioma Patients Based on High Angular Resolution Diffusion Imaging with Compressed Sensing Compared with Diffusion Tensor Imaging - Initial Experience
Daniela Kuhnt, Miriam H. Bauer, Jan Egger, Mirco Richter, Tina Kapur, Jens Sommer, Dorit Merhof and Christopher Nimsky
Fiber Tractography Based on Diffusion Tensor Imaging Compared with High-Angular-Resolution Diffusion Imaging with Compressed Sensing: Initial Experience
In: Neurosurgery 72 (Suppl 1), S. A165--A175, Lippincott Williams & Wilkins
By continuing to use the site, you agree to the use of cookies. more information
English translation below.
Die Cookie-Einstellungen auf dieser Website sind so eingestellt, dass sie "Cookies zulassen" sollten, um das bestmögliche Surferlebnis zu erhalten. Sie können diese Website weiterhin nutzen, ohne Ihre Cookie-Einstellungen zu ändern, oder Sie klicken unten auf "Accept" und stimmen der Nutzung der Cookies zu.
In den Cookies werden lediglich die von Ihnen gewählten Spracheinstellungen gespeichert. Bitte lesen Sie auch unsere Datenschutzerklärung.
The cookie settings on this website are set to "allow cookies" to give you the best browsing experience possible. If you continue to use this website without changing your cookie settings or you click "Accept" below then you are consenting to this.
Only your chosen language settings are stored in the cookies. Please also read our privacy policy.
