eprintid: 21611
rev_number: 18
eprint_status: archive
userid: 2642
dir: disk0/00/02/16/11
datestamp: 2016-08-24 12:08:34
lastmod: 2016-09-27 11:22:07
status_changed: 2016-08-24 12:08:34
type: doctoralThesis
metadata_visibility: show
creators_name: Debus, Charlotte Christiane
title: Integrative multimodal image analysis
using physical models for characterization
of brain tumors in radiotherapy
title_de: Integrative multimodale Bildgebungsanalyse mit physikalischen Modellen zur
Charakterisierung von Hirntumoren in der Strahlentherapie
subjects: ddc-004
subjects: ddc-500
subjects: ddc-530
subjects: ddc-600
subjects: ddc-610
divisions: i-130001
adv_faculty: af-13
cterms_swd: Hirntumor
cterms_swd: Bildgebendes Verfahren
cterms_swd: Strahlentherapie
cterms_swd: Positronen-Emissions-Tomografie
cterms_swd: Perfusion
cterms_swd: Maschinelles Lernen
cterms_swd: Kernspintomografie
abstract: Therapy failure with subsequent tumor progress is a common problem in radiotherapy of
high grade glioma. Definition of treatment volumes with CT and MRI is limited due to
uncertainties concerning tumor outlines. The goal of the presented work was to enable
assessment of tumor physiology and prediction of progression patterns using multi-modal
image analysis and thus, improve target delineation. Physiological imaging modalities, such
as 18F-FET PET, diffusion and perfusion MRI were used to predict recurrence patterns.
The Medical Imaging Interaction ToolKit together with own software implementation
enabled side-by-side evaluation of all image modalities. These included tools for PET
analysis and a module for voxel wise fitting of dynamic data with pharmacokinetic models.
Robustness and accuracy of parameter estimates were studied on synthetic perfusion data.
Parameter feasibility for progression prediction was investigated on DCE MRI and 18F-FET
PET data. Using the developed software tools, a pipeline for prediction of tumor progression
patterns based on multi-modal image classification with a random forest machine
learning algorithm was established. Exemplary prediction analysis was applied on a small
patient set for illustration of workflow functionality and classification results.
abstract_translated_text: Fortschreitendes Tumorwachstum aufgrund von Therapieversagen ist ein häufiges Problem
bei der Bestrahlung von hochgradigen Gliomen. Die Definition der Bestrahlungsvolumina
mithilfe der Bildgebungsverfahren CT und MRT ist aufgrund von Unsicherheiten über
die Tumorbegrenzung limitiert. Ziel der vorgestellten Arbeit war es, Messmethoden der
Tumorphysiologie zu untersuchen und die Progression der Tumore durch multimodale
Bildanalysen vorherzusagen, um die Zielvolumendefinition zu verbessern. Physiologische
Bildgebungsmodalitäten, wie 18F-FET PET, Diffusions- und Perfusions-MRT, wurden zur
Vorhersage von Rekurrenzmustern verwendet. Das Medical Imaging Interaction ToolKit
wurde mit eigenen Implementierungen erweitert, um eine gleichzeitige Auswertung aller
relevanten Bilder zu ermöglichen. Dabei wurde Software zur Auswertung von PET-Bildern,
sowie ein Modul für voxelbasiertes Fitten von dynamischen Daten mit pharmakokinetischen
Modellen entwickelt. Robustheit und Genauigkeit der pharmakokinetischen Modellierung
in der Perfusions-MRT wurde an synthetischen Daten untersucht. Studien zu Nutzung
von Parametern aus Perfusions-MRT und 18F-FET PET wurden zur Vorhersage von
Progressionsmustern durchgeführt. Mithilfe der entwickelten Software wurde eine Pipeline
zur Vorhersage von Tumorwachstumsmustern implementiert, die auf Klassifikation mittels
maschinellen Lernens durch Random Forest Algorithmen basiert. Eine exemplarische
Analyse wurde anhand eines kleinen Patientenkollektivs durchgeführt, um Funktionalität
und Ergebnisse der Auswerteroutine zu illustrieren.
abstract_translated_lang: ger
date: 2016
id_scheme: DOI
id_number: 10.11588/heidok.00021611
ppn_swb: 1658758293
own_urn: urn:nbn:de:bsz:16-heidok-216115
date_accepted: 2016-07-12
advisor: HASH(0x561a628d2548)
language: eng
bibsort: DEBUSCHARLINTEGRATIV2016
full_text_status: public
citation:   Debus, Charlotte Christiane  (2016) Integrative multimodal image analysis using physical models for characterization of brain tumors in radiotherapy.  [Dissertation]     
document_url: https://archiv.ub.uni-heidelberg.de/volltextserver/21611/1/Dissertation_CharlotteDebus.pdf