Statistische Strukturmodelle zur automatisierten Erstellung individueller, neuronaler Vernetzungsprofile für die Demenzforschung

点击翻译按钮获取中文摘要

Die Auswertung von diffusionsgewichteten Bildvolumina erlaubt die Identifizierung und quantitative Beurteilung von Schädigungen der aus einzelnen Nervenfasern bestehenden, komplexen neuronalen Vernetzung des Gehirns. Aktuelle Verfahren zur Auswertung von diffusionsgewichteten Bildern haben großes Potential in der Demenzforschung bewiesen, sind aber oft stark von manuellen Eingaben abhängig und örtlich begrenzt auf eine oder einige wenige Zielregionen. Voxelbasierte Techniken beschränken zudem häufig auf die Auswertung von skalaren Werten und verlieren somit wertvolle Richtungs- oder Vernetzungsinformationen. Auch die Abhängigkeit von einer korrekten Bildregistrierung oder einer starken Glättung der Bilder ist hoch. Viele der relevanten Nervenbündel sind sehr dünn, stark gekrümmt, liegen dicht beieinander oder kreuzen sich gegenseitig. Teilweise sind sie auch nur an bestimmten Stellen komprimiert, was eine vollständige Identifizierung ohne Kenntnis des normalen Verlaufes schwierig macht. Aufgrund der Verschiedenheit der anatomischen Strukturen und deren Vernetzung untereinander gibt es bis heute kein Verfahren, welches eine umfassende Auswertung aller relevanten Nervenbündel robust und reproduzierbar erlaubt. Ziel dieses Forschungsvorhabens ist es, die Eigenschaften und besonderen Merkmale der relevanten Strukturen geeignet zu modellieren und als a priori Wissen bei der Betrachtung spezifischer Strukturen einzubinden. Das zu diesem Zweck entwickelte Konzept der statistischen Strukturmodelle baut auf den am Krebsforschungszentrum bereits an anderen Organen erfolgreich im Einsatz befindlichen statistischen Formmodellen auf. Es beinhaltet einen Ansatz für eine automatisierte Erstellung patientenindividueller, neuronaler Vernetzungsprofile und die Ableitung von charakteristischen Schädigungsmustern am Beispiel neurodegenerativer Erkrankungen wie der Demenz vom Alzheimer Typ. Die Vorgehensweise verspricht Benutzerunabhängigkeit, geeigneten Umgang mit Partialvolumeneffekten und eine hypothesenfreie Betrachtung der Veränderungen in der neuronalen Vernetzungstruktur.