Laadullisia parannuksia multimodaaliseen neurokuvantamiseen

This work, concentrating on improving the quality of multi-modal medical image fusion, was carried out in the Brain Research Unit of the Low Temperature Laboratory at Helsinki University of Technology (TKK) in close collaboration with the Advanced Magnetic Imaging (AMI) Centre of TKK. Modern medical imaging devices produce large amounts of highly detailed information about the anatomy and function of various body parts. Different imaging modalities are typically sensitive to different properties of the underlying tissue and therefore produce complementary information. In multi-modal neuroimaging, data from different modalities is fused together to facilitate better analysis of the structure and activity of the brain or of other parts of the nervous system. Multi-modal image fusion in human neuroimaging has many uses both in clinical settings and in research. Since the different imaging modalities reveal different properties of the nervous system, joint visualization helps to combine all this information for interpretation. Typically, data are combined to visualize the anatomical locations of the functional activations. In addition to joint visualization, multi-modal neuroimaging can also incorporate information from one modality to the analysis of data in another modality and thereby lead to more accurate results. In the core of multi-modal imaging lies image registration that brings together the information from two or more imaging modalities. Since the spatial alignments and resolutions of the registered images typically differ, resampling is required to bring the data into a common coordinate frame for visualization or for further analysis. This thesis work concentrates on the three key stages of the multi-modal image fusion: registration, resampling, and visualization. The introduced enhancements for mutual-information registration allow for sub-sample accuracy even in the worst-case scenarios and the novel two-stage resampling algorithm produces smaller resampling errors than any of the currently used methods. Furthermore, the proposed enhancement to combine triangle meshes with volume rendering techniques provides fast high-quality visualization. In addition to these technical improvements, an application of diffusion tensor imaging to delineate the course of peripheral nerves is presented.Tämä väitöskirjatyö, jossa esitetään uusia tapoja parantaa eri kuvantamismenetelmien tuottamien kuvien yhdistämistä, on tehty Teknillisen korkeakoulun Kylmälaboratorion aivotutkimusyksikössä läheisessä yhteistyössä TKK:n AMI-keskuksen (Advanced Magnetic Imaging Centre) kanssa. Nykyaikaiset lääketieteelliset kuvantamismenetelmät tuottavat suuret määrät tarkkaa tietoa kehon eri osien anatomiasta sekä toiminnasta ja eri kuvantamismenetelmillä saatu tieto täydentää yleensä toisiaan. Multimodaalisessa neurokuvantamisessa eri menetelmillä saadun tiedon yhdistäminen helpottaa aivojen tai muun hermoston rakenteen ja toiminnan tutkimista. Kuvantamismenetelmien yhdistämisestä on paljon hyötyä sekä kliinisissä sovelluksissa että perustutkimuksessa. Tyypillisessä käytössä aivojen aktivaatiota ja rakennetta erikseen kuvaavien menetelmien tulokset visualisoidaan niin, että mitattu aivotoiminta on helppo paikallistaa suhteessa aivojen anatomiaan. Eri menetelmien tuottaman tiedon yhdistäminen mahdollistaa usein myös tarkemmat tulokset, kun yhden kuvausmenetelmän tietoa voidaan käyttää toisen menetelmän tulosten mallinnuksessa ja analyysissa. Eri menetelmien tuottamien kuvien tarkalla kohdennuksella on keskeinen rooli kuvatietojen yhdistämisessä. Koska kuvien tarkkuus sekä kolmiulotteinen asemointi poikkeavat yleensä toisistaan, kuvat joudutaan uudelleennäytteistämään ennenkuin ne voidaan tuoda yhteiseen koordinaatistoon visualisointia tai analyysia varten. Tämä väitöskirjatyö keskittyy multimodaalisen kuvantamisen kolmeen keskeiseen vaiheeseen: kohdennukseen, uudelleennäytteistykseen sekä visualisointiin. Työssä esitetyt parannukset kuvien kohdennukseen mahdollistavat alle näytekoon kohdennustarkkuuden huonoimmassakin tapauksessa ja uudelleennäytteistykseen kehitetty uusi kaksivaiheinen menetelmä tuottaa pienempiä virheitä kuin mikään aiempi menetelmä. Visualisoinnissa työ yhdistää kolmioverkkoihin perustuvan pintaesityksen tilavuuskuvien suoraan visualisointiin käytettyihin säteenheittomenetelmiin ja mahdollistaa erittäin nopean korkeatasoisen visualisoinnin. Teknisten parannusten lisäksi esitetään sovellus, jossa diffuusiotensorikuvauksen avulla erotetaan ääreishermot niitä ympäröivästä kudoksesta.reviewe