Kurzfassung
Die Mikrostruktur der weißen Gehirnsubstanz des Menschen spielt eine zentrale Rolle für die gesunde menschliche Entwicklung. Hierbei ist die nicht-invasive Bildgebung dieser Mikrostruktur entscheidend für das Verständnis der neurologischen Funktion sowie von neurologischen Störungen. Während in diesem Zusammenhang ex vivo Mikroskopie detaillierte Einblicke in die Mikrostruktur des Nervengewebes bietet, ist die Bildgebung des Nervengewebes und seiner Veränderungen in vivo, also im lebenden Menschen, eine Herausforderung. Diffusionsgewichtete Magnetresonanztomographie (dMRI) ist eine nicht-invasive, in vivo Bildgebungstechnik, die die Diffusion von Wassermolekülen im Nervengewebe messbar macht und deshalb auch sensitiv für die Gewebemikrostruktur ist. dMRI stellt deshalb
eine nicht-invasive Alternative zur ex vivo Mikroskopie dar. Die Diffusions-Kurtosis-Bildgebung (DKI) ist hier ein physikalisches Modell, das verwendet wird, um das gemessene dMRI-Signal zu interpretieren. DKI bietet vielversprechende, potenzielle Anwendungsmöglichkeiten in der klinischen Praxis, weil es imstande ist gehinderte Diffusion zu erfassen, die typisch für die Diffusion im Nervengewebe wegen seiner komplexen, zellulären Mikrostruktur ist. Axialsymmetrische DKI ist eine Modifikation vom standard DKI Modell, die die Komplexität reduziert, indem sie zusätzliche Symmetrieannahmen einführt. Theoretisch machen diese zusätzlichen Annahmen die axialsymmetrische DKI robuster gegen die Einflüsse von Rauschen und dateneffizienter. Beide DKI Varianten sind Diffusionsmodelle, die verwendet werden, um die physikalischen Diffusionseigenschaften vom Nervengewebe zu bestimmen, die „nur“ mit der Mikrostruktur korreliert sind. Biophysikalische Modelle gehen hier einen Schritt weiter und erweitern die Interpretierbarkeit des dMRI-Signals,
indem sie es mit spezifischen Metriken der tatsächlichen biologischen Mikrostruktur in Verbindung bringen. Sowohl für DKI als auch biophysikalische Modelle stellt Rauschen in dMRI-Bildern eine kritische Hürde für die exakte und präzise Parameterbestimmung dar. Zum Beispiel kann Rauschen in dMRI-Bildern zu einer systematischen Über- oder Unterschätzung der bestimmten Parameter führen, dem sogenannten „Rician Bias“, der
die Parameterabschätzung sowohl für DKI als auch biophysikalische Modelle erschwert. Diese Thesis untersucht die Auswirkungen des Rician Bias und wie man ihn reduzieren kann, den inhärenten Bias in der axialsymmetrischen DKI, der durch die Verletzung ihrer zusätzlichen Symmetrieannahmen verursacht wird, sowie die Performance einer Vielzahl von derzeit verwendeter biophysikalischer Modelle unter dem Einfluss von Rauschen. Anhand von veröffentlichten, peer-reviewten, wissenschaftlichen Artikeln werden Einblicke in die bias-freie Parameterbestimmung bei niedrigen Signal-Rausch-Verhältnissen präsentiert. Zusätzlich wird die Stärke des inhärenten Bias der axialsymmetrischen DKI quantifiziert und Möglichkeiten zum Umgang mit diesem Bias erforscht und präsentiert. Außerdem wird
die Fortpflanzung des inhärenten Bias der axialsymmetrischen DKI über die DKI Parameter, die zur Berechnung der biophysikalischen Parameter verwendet werden, untersucht und die Genauigkeit verschiedener biophysikalischer Modelle in Relation zu einem biologischen Goldstandard evaluiert. Insgesamt zeigt diese Arbeit so, dass die Kombination aus axialsymmetrischer DKI und Rician Bias-Korrektur eine sehr effektive „all-rounder“ Kombination zur Reduzierung des Rician Bias für die praktische Parameterbestimmung ist. Darüber hinaus wird das Potenzial eines machine-learning basierten, biophysikalischen Modells namens „Baydiff“ herausgestellt, ein verlässlicher Algorithmus für die biophysikalische
Mikrostruktur-Bildgebung unter dem Einfluss von Rauschen zu werden.
The microstructure of white matter in the human brain plays a central role in healthy human development and non-invasive imaging of it is crucial for understanding the neurological function as well as disorders. While ex vivo microscopy provides detailed insights into the microstructure of nervous tissue, in vivo imaging of nervous tissue and its changes remains a challenge. Diffusion magnetic resonance imaging (dMRI) is a non-invasive, in vivo imaging technique built around diffusion of water molecules in nervous tissue which is sensitive to the tissue microstructure. Hereby, dMRI offers a non-invasive alternative to ex vivo microscopy. Diffusion kurtosis imaging (DKI) is a physical framework used to interpret the measured dMRI signal. DKI shows promise for clinical use due to its ability to capture restricted diffusion which is typical for diffusion in nervous tissue due to the complex, cellular microstructure hindering it. Axisymmetric DKI, a modification of DKI, reduces complexity by introducing additional symmetry assumptions, theoretically making it more noise-robust and data efficient. Both DKI variants are diffusion models used to estimate physical diffusion properties of the investigated tissue which are 'only' correlated to the tissue microstructure. Here, biophysical models go one step further and enhance the interpretability of the dMRI signal by connecting it to specific metrics of the actual biological tissue microstructure. For both DKI and biophysical models, noise in dMRI images poses a critical hurdle for accurate and precise parameter estimation. For example, noise in dMRI can lead to a bias in the parameter estimates, the so-called 'Rician bias' which burdens parameter estimation for both DKI and biophysical models. This thesis investigates the effects of the Rician bias and how to mitigate them, axisymmetric DKI’s inherent bias, caused by violation of its additional symmetry assumptions, as well as the performance and accuracy of a variety of currently used biophysical models under the influence of noise. Through published, peer-reviewed articles, insights into bias-free parameter estimation at low signal to noise ratios are presented. Furthermore, the severity of the axisymmetric DKI inherent bias is quantified and ways to deal with it are explored. Finally, bias propagation of DKI parameters used to compute the biophysical parameters are investigated and the accuracy of various biophysical models are evaluated against a biological gold standard. Through this, the role of the combination of axisymmetric DKI and Rician bias correction as an highly effective 'all-rounder' for reducing the Rician bias in DKI parameter estimation is demonstrated. Furthermore, the potential of a Bayesian-enhanced machine learning based approach for biophysical parameter estimation named 'Baydiff' for becoming an accurate tool used for microstructure imaging under the influence of noise is highlighted.