Suche

zur Hauptseite

Institut für Neurowissenschaften und Medizin
(leer)

Navigation und Service


Entwicklung von Postprocessing-Methoden zur HARDI Daten Analyse

Das Hauptziel dieses Projektes ist es, die Einschränkungen des Modells des Diffusionstensors zweiter Ordnung zu überwinden, welchem die Annahme eines Gaußschen DW-Signals zugrunde liegt. Das Projekt beschäftigt sich mit der Entwicklung von Rekonstruktionsmethoden, Segmentierungs- und Traktografiealgorithmen, welche Daten der Mehrfaserstrukturen von High Angular Resolution Diffusion Imaging (HARDI: hoch-winkelaufgelöste Diffusionstensorbildgebung) ableiten können. Für die Aufnahme von HARDI-Bildern werden DW-Gradienten entlang einer großen Zahl von Richtungen (n≥45), die gleichmäßig auf der Oberfläche der Einheitskugel verteilt sind, ausgespielt. Da das HARDI-Modell nützliche Informationen über die Winkelabhängigkeit des Diffusionssignals birgt, ist es insbesondere vielversprechend für die klinische Anwendung. Es könnte dabei helfen, den selektiven Faserabbau bei Krankheiten mit Degeneration der weißen Hirnsubstanz zu detektieren. Verglichen mit dem Diffusionstensor-Modell (2. Ordnung) gewinnt man mit HARDI genauere und detailliertere Informationen über die Diffusion im Gehirn. Es ist wahrscheinlich die zeiteffizienteste Strategie, um Daten zur Faserorientierungs-Rekonstruktion aufzunehmen, was wiederum der Traktografie weißer Hirnsubstanz nutzt. Verschiedene Rekonstruktionsalgorithmen für die HARDI-Daten-Analyse können in zwei Kategorien unterteilt werden: eine, die auf die Q-Space-Theorie aufbaut (Q-Ball, PAS-MRI, DKI, DOT, DSI, DPI) und eine andere, die auf dem Limes des langsamen Austausches aufbaut (Multi-Tensor Fitting, Spherical Deconvolution). Obwohl beide Herangehensweisen auf grundlegend verschiedene Art die Information über die Winkelabhängigkeit aus den gemessenen Diffusionsdaten gewinnen, definieren beide pro Voxel eine in Kugelkoordinaten kontinuierliche Anisotropie-Funktion.

Entwicklung von Postprocessing-Methoden zur HARDI Daten AnalyseADC-Profil Annäherung für verschiedene Voxeltypen: Die Spherical Harmonic Decomposition wurde verwendet, um ADC-Profile aus HARDI-Daten zu modellieren - für Voxel mit isotroper Diffusion und für Voxel, die entweder eine einzige Faser oder mehrere Fasern enthalten.

Zusatzinformationen

Ansprechpartner

Prof. Dr. N. J. Shah (Teamleiter)



Servicemenü

Homepage