German Title: Künstliche Kontraste für die Magnetresonanztomographie basierend auf mikrovaskulärer Geometrie: Numerische Grundlagen

Preview

PDF, English Download (70MB) | Terms of use

Abstract

Magnetic resonance imaging (MRI) is highly versatile, offering many contrast settings inherently sensitivity to tissue microstructure at the sub-voxel scale (below the imaging resolution). Since its invention, images produced with MRI have mainly been based on classical reconstructions, with contrast determined by the signal attenuation from local tissue and MRI sequence design. In the advent of machine learning becoming practical, wide availability of computational power and high-resolution imaging such as laser scanning microscopy, new processing techniques involving MRI interpretations based on comparisons with known signals and ground-truth microstructure can be explored. Data-driven signal classifications enable model-less predictions of tissue properties on a single voxel level, offering artificial MRI contrasts. In this thesis, groundwork is laid for the exploration of such contrasts and suitable MRI sequences, with a demonstration of the feasibility of such an approach based on transverse relaxation for brain tumor detection. The thesis is focused on the role of microvascular geometry on reversible transverse relaxation in the context of tumor imaging. Comprehensive quantifications of cancer-induced vessel remodeling are provided, and the effects thereof studied with MRI simulations. Consequently, a numerical framework was developed for correlations of MRI signal properties with underlying microstructure for further exploration of artificial contrasts.

Translation of abstract (German)

Magnetresonanztomographie (MRT) bietet viele Gewebekontraste mit inhärenter Sensitivität gegenüber Mikrostruktur und Dynamik unterhalb der Bildgebungsauflösung. Bisher beruhte der Kontrast in MRT Aufnahmen weitestgehend auf klassischen Signalgewichtungen basierend auf dem Einfluss von lokalem Gewebe auf die messbare Signalintensität unter den Einstellungen einer MRT Sequenz. Mit der zunehmenden Verfügbarkeit von Rechenleistung, praktikabler künstlicher Intelligenz und der Möglichkeit zur hochauflösenden, großskaligen Bildgebung echter Gewebemikrostruktur, beispielsweise mithilfe der Laser-Scanning-Mikroskopie, eröffnen sich neue Möglichkeiten der MRT Signalinterpretation durch Fokus auf erlernbare Signalsignaturen einzelner Bildpunkte (Voxel) unter verschiedenen MRT-Sequenzen. Maschinelles Lernen ermöglicht eine Modell-lose Interpretation komplexer Signalsignaturen zur Schätzung gewisser Gewebeeigenschaften auf Voxel-Ebene für eine Art künstlichen MRT Kontrast durch einen Vergleich mit bekannten Signalformen. In dieser Dissertation wurden numerische Werkzeuge entwickelt, um hochaufgelöste 3D Daten echter Mikrovaskulatur umfassend mit geometrischen und topologischen Maßen zu quantifizieren und deren Einfluss auf MRT Messungen zu simulieren. Dies wurde in eine skalierbare numerische Prozessierung verpackt, um MRT Signaleigenschaften mit Charakteristiken der zugrundeliegenden Gefäßarchitektur in großskaligen, datenbasierten Untersuchungen zu korrelieren. Die Gefäßgeometrie und -topologie in gesundem Hirngewebe und hochgradid malignen Hirntumoren wurde umfassend untersucht und es konnte gezeigt werden, dass der kollektive Einfluss von tumorgeschuldeten Gefäßremodellierungen auf die transversale Relaxation in MRT eine Klassifizierung von Tumorsignalen auf Voxel-Ebene theoretisch ermöglicht.