Publicación:
Sparse Bayesian Learning for Spherical Deconvolution of Diffusion MRI Data

Vista sencilla de ítem
dc.contributor.authorLegarreta Gorroño, Jon Haitz
dc.contributor.directorCanales Rodríguez, Erick Jorge
dc.contributor.directorSanta Marta Pastrana, Cristina María
dc.contributor.directorAlemán Gómez, Yasser
dc.date.accessioned2024-05-20T12:21:42Z
dc.date.available2024-05-20T12:21:42Z
dc.date.issued2016-10-07
dc.description.abstractLa 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.es
dc.description.abstractMagnetic 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.en
dc.description.versionversión final
dc.identifier.urihttps://hdl.handle.net/20.500.14468/14018
dc.language.isoen
dc.publisherUniversidad Nacional de Educación a Distancia (España). Facultad de Ciencias. Departamento de Física Matemática y de Fluidos
dc.relation.centerFacultades y escuelas::Facultad de Ciencias
dc.relation.degreeMáster universitario en Física Médica
dc.relation.departmentFísica Matemática y de Fluídos
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
dc.subject.keywordsdiffusion magnetic resonance imaging (dMRI)
dc.subject.keywordsspherical deconvolution (SD)
dc.subject.keywordssparse bayesian learning (SBL)
dc.subject.keywordscompressed sensing (CS)
dc.subject.keywordsintra-voxel orientational heterogeneity (IVOH)
dc.subject.keywordsber orientation distribution function (fODF) reconstruction
dc.subject.keywordsimagen de difusión por resonancia magnética
dc.subject.keywordsdeconvolución esférica
dc.subject.keywordsaprendizaje Bayesiano disperso
dc.subject.keywordsmuestreado disperso
dc.subject.keywordsheterogeneidad orientacional intra- vóxel
dc.subject.keywordsreconstrucción de la función de distribución de orientación de las bras
dc.titleSparse Bayesian Learning for Spherical Deconvolution of Diffusion MRI Dataes
dc.typetesis de maestríaes
dc.typemaster thesisen
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Legarreta_Gorrono_JonHaitz_TFM.pdf
Tamaño:
15.3 MB
Formato:
Adobe Portable Document Format
Descargar
Colecciones
Trabajos de fin de máster (TFM)