German Title: Robuste Bewegungs- und Artefaktkorrektur von diffusionsgewichteten MR Bilddaten

Preview

PDF, English - main document Download (22MB) | Terms of use

Abstract

Effective image-based correction of motion and other acquisition artifacts became an essential step in diffusion-weighted Magnetic Resonance Imaging (MRI) analysis as the micro-structural tissue analysis advances towards higher-order models. These come with increasing demands on the number of acquired images and the diffusion strength (b-value) yielding lower signal-to-noise ratios (SNR) and a higher susceptibility to artifacts. These conditions, however, render the current image-based correction schemes, which act retrospectively on the acquired images through pairwise registration, more and more ineffective. Following the hypothesis, that a more consequent exploitation of the different intensity relationships between the volumes would reduce registration outliers, a novel correction scheme based on memetic search is proposed. This scheme allows for incorporating all single image metrics into a multi-objective optimization approach. To allow a quantitative evaluation of registration precision, realistic synthetic data are constructed by extending a diffusion MRI simulation framework by motion and eddy-currents-caused artifacts. The increased robustness and efficacy of the multi-objective registration method is demonstrated on the synthetic as well as in-vivo datasets at different levels of motion and other acquisition artifacts. In contrast to the state-of-the-art methods, the average target registration error (TRE) remained below the single voxel size also at high b-values (3000 s.mm-2) and low signal-to-noise ratio in the moderately artifacted datasets. In the more severely artifacted data, the multi-objective method was able to eliminate most of the registration outliers of the state-of-the-art methods, yielding an average TRE below the double voxel size. In the in-vivo data, the increased precision manifested itself in the scalar measures as well as the fiber orientation derived from the higher-order Neurite Orientation Dispersion and Density Imaging (NODDI) model. For the neuronal fiber tracts reconstructed on the data after correction, the proposed method most closely resembled the ground-truth. The proposed multi-objective method has not only impact on the evaluation of higher-order diffusion models as well as fiber tractography and connectomics, but could also find application to challenging image registration problems in general.

Translation of abstract (German)

Effektive bildbasierte Korrektur von Bewegungs- und Aufnahmeartefakten ist durch die Weiterentwicklung der mikrostrukturellen Gewebemodelle zu einem notwendigen Vorverarbeitungsschritt in der Analyse von Bilddaten der diffusionsgewichteten Magnetresonanztomographie(MRT) geworden. Für eine robuste Auswertung benötigen diese Modelle höherer Ordnung stets mehr Aufnahmen bei einer höheren Diffusionswichtung (dem b-Wert), die wiederum anfälliger für Aufnahmeartefakte sind und mit einem schlechteren signal-to-noise Verhältnis (SNR) einhergehen. Für die aktuellen Korrekturverfahren, welche mittels von paarweiser Bildregistrierung arbeiten, stellen die dadurch verschlechterten Kontrastverhältnisse eine Herausforderung dar, die bis zur ineffektiven Korrektur führt. Ausgehend von der Hypothese, dass eine konsequente Ausnutzung der unterschiedlichen Signalähnlichkeiten zwischen den Bildvolumina eines diffsionsgewichteten Bildes zur Reduktion von Ausreißern in der Bildregistrierung führen kann, wurde in dieser Arbeit ein neues Korrekturverfahren vorgestellt, das auf dem memetischen Optimierungsprinzip aufbaut und so die einzelnen Kostenfunktionen (objectives) in einem multi-objektiven Ansatz bündelt. Für eine quantitative Auswertung der Registrierungspräzision wurden realistische synthetische Datensätze mit simulierten Bewegungs- sowie Aufnahmeartefakte konstruiert. Die durch das multi-objektive Verfahren erreichte Effizienz und Robustheit wird auf synthetischen und in-vivo Datensätzen mit je unterschiedlicher Ausprägung der Bewegungs- und Aufnahmeartefakten demonstriert. Bei Datensätzen mit mittlerer Artefaktintensität blieb der durchschnittliche target registration error (TRE), im Gegensatz zu state-of-the-art Verfahren, unterhalb der Voxelgröße auch für höhere b-Werte (3000 s.mm-2) und niedrigeres SNR. Bei höheren Artefaktintensitäten konnten durch den multi-objektiven Ansatz fast alle Ausreißer der state-of-the-art Methoden bei einem TRE unterhalb der doppelten Voxelgröße eliminiert werden. Für die in-vivo Daten wurde die gewonnene Präzision anhand der Skalargrößen sowie der Hauptfaserrichtung aus dem Neurite Orientation Dispersion and Density Imaging (NODDI) Modell demonstriert. Bei der Rekonstuktion der Nervenfasern hat die vorgestellte Methode die ground-truth am besten wiedergegeben. Neben den Auswirkungen auf Signalmodelle höherer Ordnung in der diffusionsgewichteten MRT, auf Nervenbahnenrekonstruktion und Connectomics könnte die multi-objektive Methode auch bei weiteren herausfordernden Problemen der Bildregistrierung im Allgemeinen einen Vorteil bieten.