Der biomedizinische Bildgebungs-Workflow
Forschungsplan
In der Arbeitsgruppe für mathematische Modellierung und inverse Probleme am CBI entwickeln wir innovative Algorithmen für biomedizinische Bildgebungsverfahren auf Basis anspruchsvoller mathematischer Modelle. Unser Hauptfokus liegt auf der multispektralen optoakustischen Tomographie (MSOT) und ihrer Kombination mit der Ultraschallbildgebung (OPUS). Darüber hinaus tragen wir zur Analyse der großen Datenmengen bei, die im Institut und in unseren Forschungskollaborationen generiert werden. Unser Ziel ist es, die Entwicklung hin zu einer quantitativen optoakustischen und Ultraschallbildgebung voranzutreiben und so den Einfluss dieser Methoden in der translationalen Medizin zu stärken.
In enger Zusammenarbeit mit den anderen Gruppen am CBI – insbesondere mit der Gruppe für maschinelles Lernen in der biomedizinischen Bildgebung und der Gruppe für multispektrale optoakustische Tomographie – konzentriert sich unsere Forschung auf die folgenden drei Bereiche:
Mathematische Modellierung
Um das Problem der Informationsgewinnung aus Bildgebungsdaten überhaupt formulieren zu können, ist ein geeignetes Modell des gesamten Bildgebungsprozesses erforderlich. Ziel der mathematischen Modellierung ist es, die verschiedenen Aspekte der Bildgebung – einschließlich der Ausbreitung von Unsicherheiten – quantitativ und effizient zu erfassen. Insbesondere in der biomedizinischen Bildgebung werden Modelle für die Sonde, die optische und akustische Wechselwirkung zwischen Gewebe und Sonde, die Messung sowie die Datenerfassung benötigt. Die Mathematik ist dabei nicht nur die geeignete Sprache zur exakten Beschreibung solcher Modelle, sondern stellt auch vielfältige Werkzeuge und Konzepte bereit, um die Gültigkeit eines Modells zu erfassen und zu bewerten.
Inverse Probleme
Die Rekonstruktion interessierender Gewebeeigenschaften aus Bildgebungsdaten stellt ein inverses Problem dar, da sie die Inversion eines Vorwärtsmodells des Bildgebungsprozesses erfordert. Abstrakt lässt sich dieses Problem in drei Schritte unterteilen:
(1) Preprocessing, das versucht, durch Inversion der Datenerfassung und Messung die physikalische Systemantwort zu approximieren,
(2) Rekonstruktion, bei der aus dem Wissen über die Systemantwort auf die Gewebeeigenschaften geschlossen wird, indem die physikalische Wechselwirkung rückgerechnet wird, und
(3) Postprocessing, das aus der Rekonstruktion die eigentlich interessierenden Parameter extrahiert.
Da die meisten klinischen Anwendungen quantitative Informationen erfordern, ist es unser Ziel, nicht nur die bestmögliche Schätzung der gesuchten Eigenschaften zu liefern, sondern auch Werkzeuge zu entwickeln, die die Unsicherheit der Rekonstruktionen zuverlässig quantifizieren.
Datenanalyse
Um klinisch relevante Informationen aus den rekonstruierten Daten zu gewinnen, müssen diese organisiert, strukturiert und analysiert werden. Fortschritte in der Computer- und Datenwissenschaft – insbesondere im Bereich des statistischen Lernens – bieten hierfür eine umfangreiche Werkzeugpalette. Unser Ziel ist es, diese Methoden weiterzuentwickeln und optimal an unsere spezifischen Anforderungen anzupassen.
Darüber hinaus können Daten auch zur Verbesserung der Modellierung und Inversion durch datengetriebene Ansätze genutzt werden. So lässt sich beispielsweise ein effizientes, niedrigdimensionales Modell für die Klasse der interessierenden Strukturen direkt aus den Daten ableiten.
Relevante Publikationen
1. Jaya Prakash, et. al, "Maximum entropy based non-negative optoacoustic tomographic image reconstruction," IEEE Transactions on Medical Imaging (under review). arxiv: arxiv.org/abs/1707.08391
2. Volker Neuschmelting, et. al., "WST11 Vascular Targeted Photodynamic Therapy Effect Monitoring by Multispectral Optoacoustic Tomography (MSOT) in Mice," Theranostics (in press).
3. Jaber Malekzadeh, et. al., "Nonlinear optoacoustic readings from diffusive media at near infrared wavelengths," Journal of Biophotonics (in press).
4. Yiyong Han, et. al., "Optoacoustic reconstruction using fast sparse representation," Optics Letters 42(5), 979-982 (2017).
5. Almut Glinzer, et. al., "Targeting elastase for molecular imaging of early atherosclerotic lesion," Arteriosclerosis, Thrombosis, and Vascular Biology 37(3), 525-533 (2017).
6. Xiaopeng Ma, et. al., "Hybrid Fluorescence Molecular Tomography/X-ray Computed Tomography for imaging integrin expression in Non-Small Cell Lung Cancer," Neoplasia 19(1), 8-16 (2017).
7. Hailong He, et. al., "Optoacoustic tomography using accelerated sparse recovery and coherence factor weighting," Tomography 2(2), 138-145 (2016).
8. Xiaopeng Ma, et. al., "Assessment of Asthmatic Inflammation Using Hybrid Fluorescence Molecular Tomography - X-ray Computed Tomography," Journal of Biomedical Optics 21(1), 15009 (2016).
9. Ivan Olefir, et. al., "Hybrid multispectral optoacoustic and ultrasound tomography for morphological and physiological brain imaging,'' Journal of Biomedical Optics 21(8), 086005 (2016).
10. Stratis Tzoumas, et. al., ''Eigenspectra optoacoustic tomography achieves quantitative blood oxygenation imaging deep in tissues,'' Nature Communications 7, 12121 (2016).
11. V. Ermolayev, et. al., ''Early recognition of lung cancer by integrin targeted imaging in K‐ras mouse model,'' International Journal of Cancer 137(5), 1107-1118 (2015).
12. Markus T Berninger, et. al., ''Fluorescence molecular tomography of DiR-labeled mesenchymal stem cell implants for osteochondral defect repair in rabbit knees,'' European Radiology 27(3), 1105-1113 (2015).
13. Pouyan Mohajerani, et. al., ''Optical and optoacoustic model-based tomography,'' IEEE Signal Processing Magazine 32(1), (2015).
14. Pouyan Mohajerani, et. al., ''Model-based frequency domain optoacoustic tomography: theory and simulation results,'' Photoacoustics 2(3), 111-118 (2014).
15. Pouyan Mohajerani, et. al., ''FMT-PCCT: Hybrid fluorescence molecular tomography-X-ray phase-contrast CT imaging of mouse models,'' IEEE Transactions on Medical Imaging 33(7), 1434-1446 (2014).