Physically-motivated analysis and modelling methods of MRI data

Abstract

Diffusionsgewichtete Magnetresonanzspektroskopie (dMRI) hat sich als signifikante Bildgebungstechnik für Neurowissenschaften erwiesen, welche eine wachsende klinische Relevanz durch die Möglichkeit, nicht-invasiv Diffusionsänderungen in Mikrostrukturen zu detektieren, erhält. Während sich die meiste Forschung nur auf das Gehirn fokussiert, erfährt die Untersuchung von Rückenmark und ex vivo Proben mittels dMRI ein wachsendes Interesse. Diese Arten von Messungen sind insbesondere interessant, um Verletzungen des Rückenmarks zu untersuchen oder zur Validierung von biophysikalischen Modellen mittels ex vivo Gewebe. Auch der wissenschaftliche Nutzen für „Big Data“ und maschinelles Lernen zur Untersuchung von beispielsweise großen dMRI-Datensätzen zur Bestimmung von neuartigen Biomarkern durch das Kombinieren aller Gewebeinformationen erfährt eine zunehmende Relevanz. In dieser Doktorarbeit wurde eine Toolbox entwickelt, welche als erste all diese Anforderungen zur automatisierbaren und für „Big Data“ nutzbaren Analyse von Gehirn, Rückenmark und ex vivo Proben erfüllt. Dies wurde erreicht durch das Hinzufügen von gewebetypspezifischen Vor-Verarbeitungsoptionen durch Erweiterungen des Codes und das Hinzufügen neuer Module in eine bereits existierende Gehirn dMRI Toolbox namens ACID. Analyse Pipelines wurden für jeden Gewebetyp generiert, um eine automatisierte Analyse von großen Datensätzen zu ermöglichen. Zusätzliche Module wurden integriert, damit ACID die vollständige Datenverarbeitungskette von DICOM Rohdaten zu Gruppenstatistik innerhalb eines einzigen Softwarepaketes anbieten kann. Um dies in einer standardisierten Weise zu ermöglichen, wurde die Brain Imaging Data Structure (BIDS) in ACID integriert. Dies stellt eine Kompatibilität zu anderer BIDS konformer Software sicher und ermöglicht, dass ACID damit zu der wachsenden Zahl an großen Datenbanken kompatibel ist, die den BIDS-Standard nutzen. Die Codestruktur von ACID wurde vollständig reorganisiert und die Module von ACID wurden vollständig modularisiert, um eine flexible und einfach zu erweiternde Codeumgebung zu ermöglichen. Die FAIR Prinzipien wurden mit ACID harmonisiert, um den Standard einer nützlichen und wiederverwendbaren akademischen Software zu erfüllen. Es wurden Vergleiche verschiedener Module und Methoden durchgeführt (bspw. Methoden zur Bestimmung biophysikalischer Parameter, Einfluss der Rician-Bias-Korrektur (RBC) auf die Parameterbestimmung oder ein Vergleich von verschiedenen Entrauschungsmethoden), um zu analysieren, welches Modul die beste Wahl darstellt, in Abhängigkeit des Gewebetyps und/oder SNR. Der Vergleich der beiden biophysikalischen Methoden NODDI-DTI und WMTI-Watson zeigte, dass NODDI-DTI bessere Ergebnisse für Rückenmarksdaten lieferte, während WMTI-Watson bessere Ergebnisse für Gehirndaten zeigte. Dies deutet auf eine SNR-Abhängigkeit beider Methoden hin. Die Ergebnisse für den Einfluss der Rician-Bias-Korrektur (RBC) auf die Bestimmung von biophysikalischen Parametern zeigten, dass RBC die Werte der mittleren Kurtosis für Gehirn- und Rückenmarksdaten leicht senkte, was in einer Erhöhung des biophysikalischen Watson-Konzentrationsparameters κ resultierte. Aufgrund der nun implementierten Modularität konnten verschiedene Entrauschungsmethoden (sogar von anderen Toolboxen) in ACID integriert werden. Daher war es möglich, einen Vergleich aller nun in ACID integrierten Entrauschungsmethoden (LPCA, MPPCA und msPOAS) durchzuführen, welcher einen generellen Nutzen für Datensätze mit niedrigem SNR, aber keinen Nutzen für Datensätze mit hohem SNR aufzeigte. Für msPOAS wurde ein zusätzlicher Bias für Datensätze mit hohem SNR sichtbar. Um den in ACID neu implementierten Arbeitsablauf, beginnend bei den DICOM Rohdaten bis zu bspw. statistischen Analysen mittels SPM, zu demonstrieren, wurde eine beispielhafte Gruppenanalyse für vier Gehirn-dMRI Datensätze, welche am selben Scanner aufgenommen wurden, durchgeführt, um ein Vergleich der implementierten biophysikalischen Parameterbestimmungsmethoden durchzuführen. Die Ergebnisse zeigten, dass die biophysikalische Parameterbestimmung nicht stabil über alle untersuchten Methoden (DKI, SMI, NODDI-DTI, WMTI und WMTI-Watson) und Parameter in weißer Gehirnsubstanz war. Dies deutet darauf hin, dass die biophysikalischen Schätzungen in Abhängigkeit zu den verschiedenen Modellannahmen stehen.

Diffusion MRI (dMRI) has emerged as a significant imaging technique in neuroscience, gaining increasing clinical relevance due to its ability to non-invasively detect diffusion changes in the microstructure. While most research still focuses on the brain, there is an increasing interest in utilizing dMRI to investigate the spinal cord and ex vivo tissue specimens. These types of measurements are particularly relevant for studying spinal cord injuries and validating biophysical models using ex vivo tissues. Also, the scientific use of big data and machine learning applications for investigating, for example, large numbers of dMRI datasets to estimate novel biomarkers by merging all tissue structure information, is becoming increasingly relevant. In this thesis, a toolbox was developed that is the first to fulfill all these demands of analyzing brain, spinal cord, and ex vivo specimens in a way which is automatable and applicable for big data analyses. This was achieved by adding additional tissue type-specific preprocessing options via code extensions and new modules to an existing brain dMRI analysis toolbox named ACID. Analysis pipelines were created for each type of tissue to provide automated analyses for large numbers of datasets. Additional modules were implemented, which enable ACID to now cover the entire processing chain from raw DICOM data to group-level statistics within a single software package. To implement this in a standardized way, the Brain Imaging Data Structure (BIDS) was integrated into ACID. This ensures compatibility with other BIDS-compliant software and aligns with the growing availability of large databases utilizing the BIDS format. The code structure of ACID was completely reorganized, and the modules of ACID are now fully modularized to enable a flexible and easy-to-extend code framework. The FAIR principles are now harmonized with ACID to fulfill the standards for a valuable and reusable academic software. Comparisons of several modules and methods (e.g., biophysical parameter estimation methods, influence of Rician bias correction (RBC) on parameter estimation, or denoising methods) were performed to analyze the best module selection in dependence on the acquired tissue type/SNR. The comparison of the two biophysical models NODDI-DTI and WMTI-Watson showed that NODDI-DTI performs better for spinal cord and WMTI-Watson better for brain datasets, which indicates a SNR dependency for both methods. The results for the influence of RBC on the estimation of biophysical parameters showed that RBC slightly decreases the mean kurtosis for the brain and spinal cord datasets, which resulted in an increase of the biophysical Watson concentration parameter κ. Due to its now implemented modularity, several denoising methods, even from other toolboxes, could be integrated into ACID. Therefore, it was possible to perform a comparison of the now in ACID implemented denoising methods LPCA, MPPCA, and msPOAS, which indicated a general improvement through denoising for low SNR data but no improvement for high SNR data. For msPOAS, even an additional bias became noticeable for high SNR data. To demonstrate the new in ACID implemented processing workflow starting from raw DICOM data to, e.g., statistical analysis via SPM, an exemplary group analysis of four brain dMRI datasets acquired on the same scanner was performed to compare the implemented biophysical parameter estimation methods. The results showed that the biophysical parameter estimation is not stable over the different used estimation methods (SMI, NODDI-DTI, WMTI, and WMTI-Watson) in white matter for all parameters. This indicates that the biophysical estimates were dependent on the different model assumptions.