Sparse Bayesian Learning for Spherical Deconvolution of Diffusion MRI Data

Legarreta Gorroño, Jon Haitz. (2016). Sparse Bayesian Learning for Spherical Deconvolution of Diffusion MRI Data Master Thesis, Universidad Nacional de Educación a Distancia (España). Facultad de Ciencias. Departamento de Física Matemática y de Fluidos

Ficheros (Some files may be inaccessible until you login with your e-spacio credentials)
Nombre Descripción Tipo MIME Size
Legarreta_Gorrono_JonHaitz_TFM.pdf Legarreta_Gorrono_JonHaitz_TFM.pdf application/pdf 15.29MB

Título Sparse Bayesian Learning for Spherical Deconvolution of Diffusion MRI Data
Autor(es) Legarreta Gorroño, Jon Haitz
Resumen La imagen de difusión por resonancia magnética proporciona una representación de la disposición estructural de los tejidos. La heterogeneidad de los tejidos, aunque ésta sea apreciable únicamente a escala microscópica, determina la trayectoria que siguen las bras. La preferencia en el desplazamiento por difusión de las moléculas de agua pone de maniesto las diferencias regionales relativas a la orientación biológica de las bras. Esta dependencia del coeciente de difusión respecto a la dirección de medición se denomina anisotropa. La imagen mediante el tensor de difusión fue la primera técnica propuesta para modelar la arquitectura interna y la orientacion espacial de las poblaciones de bras axonales en el tejido cerebral. Sin embargo, las suposiciones del modelo tensorial sobre el carácter Gaussiano del proceso de difusión en cada vóxel presentan numerosas limitaciones a la hora de explicar la complejidad de las trayectorias de las bras en el cerebro. Se han propuesto distintas alternativas para superar estas limitaciones, pero la resolución angular de los métodos existentes es aún insuficiente para numerosas aplicaciones.Este trabajo propone un nuevo método para reconstruir la función de distribución de orientación de las bras a partir de imágenes de difusión por resonancia magnética. Este nuevo método no realiza ninguna suposición acerca de la función de densidad de probabilidad de la orientación y emplea un algoritmo de aprendizaje Bayesiano disperso para obtener la solucion optima. Los resultados en datos sintéticos demuestran que el método es capaz de resolver conguraciones complejas de bras con angulos de cruce mas pequeños que los que obtienen los métodos actuales. El método también ha sido aplicado a datos reales. La mejora en la capacidad de estimación de la orientación de las bras podra conducir a resultados más precisos entractografía de bras y en mapas de conectividad estructural en el cerebro.
Abstract Magnetic resonance diffusion imaging provides insights on the organizational mi- crostructure of biological tissues. Fiber trajectories are determined by microscopic tissue heterogeneity. Regional differences in biological ber orientation are revealed by water molecule diffusion displacement preference. This dependence of the diffusion coefficient on the direction in which it is measured is called anisotropy. Diffusion tensor imaging was the rst technique proposed to model the underlying architecture and spatial orientation of the axonal ber bundles in brain tissues. However, the assumptions of the tensor model on the homogeneous Gaussianity of the diffusion process in a voxel were found to fall short to model the complexity of ber pathways in the human brain. Several alternatives have been proposed to overcome these limitations, yet the angular resolution of current state-of-the-art methods is insufficient for many applications. In this thesis a new spherical deconvolution method to recover the ber orientation distribution function from diffusion magnetic resonance imaging data is proposed. The new method does not require any assumptions on the underlying displacement probability density function and uses a Sparse Bayesian Learning approach to nd the optimal solution. Results from synthetic data demonstrate that it is capable of resolving complex ber crossings at lower angles than other state-of-the-art methods. The proposed method was also tested on real data. The superior ability to estimate the ber bundle orientations may lead to improved results in whole brain ber tractography and structural connectivity maps.
Notas adicionales Trabajo de Fin de Máster. Máster Universitario en Física Médica. UNED
Materia(s) Física
Palabra clave diffusion magnetic resonance imaging (dMRI)
spherical deconvolution (SD)
sparse bayesian learning (SBL)
compressed sensing (CS)
intra-voxel orientational heterogeneity (IVOH)
ber orientation distribution function (fODF) reconstruction
imagen de difusión por resonancia magnética
deconvolución esférica
aprendizaje Bayesiano disperso
muestreado disperso
heterogeneidad orientacional intra- vóxel
reconstrucción de la función de distribución de orientación de las bras
Editor(es) Universidad Nacional de Educación a Distancia (España). Facultad de Ciencias. Departamento de Física Matemática y de Fluidos
Director/Tutor Canales Rodríguez, Erick Jorge
Santa Marta Pastrana, Cristina María
Alemán Gómez, Yasser
Fecha 2016-10-07
Formato application/pdf
Identificador bibliuned:master-Ciencias-FMed-Jhlegarreta
http://e-spacio.uned.es/fez/view/bibliuned:master-Ciencias-FMed-Jhlegarreta
Idioma eng
Versión de la publicación acceptedVersion
Nivel de acceso y licencia http://creativecommons.org/licenses/by-nc-nd/4.0
info:eu-repo/semantics/openAccess
Tipo de recurso master Thesis
Tipo de acceso Acceso abierto
Notas adicionales Título en español: Aprendizaje Bayesiano Disperso para la Deconvolución Esférica en Datos de IRM

 
Versiones
Versión Tipo de filtro
Contador de citas: Google Scholar Search Google Scholar
Estadísticas de acceso: 72 Visitas, 9 Descargas  -  Estadísticas en detalle
Creado: Mon, 18 Mar 2019, 23:06:23 CET