Tensor gebaseerde benaderingen in Magnetische Resonantie Spectroscopie beeldvorming and Multi-parametrische MRI data analyse

Nauwkeurige karakterisering en lokalisatie van pathologische weefseltypen spelen een belangrijk rol bij de diagnose en behandelingsplanning van hersentumoren. Neuroimaging-technieken zoals magnetische resonantie beeldvorming (MRI), magnetische resonantie spectroscopische beeldvorming (MRSI), perfusiegewogen beeldvorming (PWI) en diffusie gewogen beeldvorming (DWI) worden gebruikt om hersentumoren te karakteriseren en de volledige tumor omtrek te detecteren. Het analyseren van deze medische beelden is zowel tijdrovend als uitdagend voor clinici. Geautomatiseerde algoritmen helpen clinici de gegevens sneller en nauwkeuriger te analyseren. Blinde bronscheiding is een dergelijke techniek die vaak wordt gebruikt om nuttige informatie uit de gegevens te extraheren. De meeste algoritmen gebruiken matrixgebaseerde benaderingen. Het werken met tensor-tools zoals tensor-decomposities kan van groot voordeel zijn in vergelijking met hun matrix-tegenhanger. Tensoren worden toegepast in domeinen zoals signaalverwerking, biomedische engineering, statistiek en machine learning. In dit proefschrift proberen we op tensor gebaseerde blind bronscheidingsalgoritmen te ontwikkelen voor het analyseren van de MRSI en multi-parametrische MRI (MP-MRI) signalen.

Ten eerste presenteren we tensor gebaseerde blinde bronscheidingsmethoden om artefacten te verwijderen. In dit proefschrift richten we ons op residuale wateronderdrukking in het MRSI-signaal. Om het resterende water te onderdrukken, wordt een Löwner / Hankel-tensor geconstrueerd uit het MRSIsignaal. Canonische polyadische decompositie (CPD) wordt toegepast op de tensor om de watercomponent te extraheren en vervolgens te verwijderen uit het oorspronkelijke MRSI-signaal. De tensor gebaseerde wateronderdrukkingsmethoden vertonen een significante verbetering in performantie voor zowel
gesimuleerde als in-vivo MRSI-signalen in vergelijking met de matrix gebaseerde benaderingen.

Ten tweede stellen we een tensor gebaseerde blinde bronscheiding methode voor om verschillende weefseltypes in glioom-patiënten te onderscheiden op basis van MRSI / multi-parametrische MRI-signalen. De methode bestaat uit het bouwen van een xxT gestructureerde 3D-tensor uit de MRSI-spectra en het toepassen van een niet-negatieve CPD om weefselspecifieke spectra en de overeenkomstige verdeling in het MRSI-rooster te extraheren. Een in vivo onderzoek toont aan dat onze tensor gebaseerde benadering significant beter is dan de matrix gebaseerde benaderingen bij het identificeren van tumor- en necrotisch weefseltype bij glioom-patiënten. De tensor gebaseerde benadering voor weefselkarakterisering wordt verder uitgebreid tot multiparametrische magnetische resonantie beeldvorming (MP-MRI), om conventionele magnetische resonantie beeldvorming, perfusie-gewogen beeldvorming, diffusie-gewogen beeldvorming en MRSI modaliteiten samen te gebruiken voor tumorsegmentatie.

Ten derde onderzoeken we de toepasbaarheid van tensor-decomposities in gesuperviseerde algoritmen voor voxel-classificatie in MRSI en segmentatie van tumorweefsel in MP-MRI. Een convolutional neural network (CNN) gebaseerde low-rank geregulariseerde classifier is ontwikkeld om voxels in MRSI te classificeren. Multilineaire enkelvoudige waarde-decompositie (MLSVD) wordt gebruikt om regularisatie toe te passen in de convolutielaag. Low-rank regularisatie biedt een verbetering in de computationele complexiteit zonder om de classificatieprestaties te verslechteren. Voor segmentatie van tumorweefsel is een superpixel gebaseerde methode met twee stappen van random forests classificatie ontwikkeld. De gehele tumor is gesegmenteerd in de eerste fase en de subcompartimenten van de gehele tumor worden in de tweede fase gesegmenteerd. Multilineaire singuliere waarde-decompositie (MLSVD) wordt gebruikt om een subset van kenmerken te extraheren als input voor de random forest classificator. Het voorgestelde algoritme werd geanalyseerd op de BRATS 2017 challenge dataset, met heel goede performantie in het segmenteren van de gehele tumor en redelijke performantie in het segmenteren van subcompartimenten. Dit
toont aan dat tensor gebaseerde kenmerk-extractie een haalbare optie is voor tumorweefselsegmentatie in MP-MRI.